پیش‌بینی گلوگاه‌های فرایندی با تحلیل داده‌های BPMS

آن دسته از مدیرانی که همواره به دنبال یافتن راه‌هایی برای بهبود سازمان و افزایش بهره‌وری آن هستند، با فرایندهای پیچیده سازمانی و چالش‌هایی که ممکن است به همراه داشته باشند آشنایی دارند. در دنیای کسب‌وکار امروز که کوچک‌ترین گره در کار می‌تواند به قیمت از دست دادن فرصت‌های بزرگ تمام شود، گلوگاه‌های فرایندی یکی از اصلی‌ترین چالش‌های مربوط به فرایندها هستند. در ادامه می‌خواهیم بررسی کنیم و ببینیم که چگونه با تحلیل داده‌های BPMS می‌توانید از پس پیش‌بینی گلوگاه‌های فرایندی بر بیایید و پیش از این‌که به مشکلات جدی تبدیل شوند آن‌ها را از سر راه بردارید.

نقش BPMS در تحلیل داده‌ها

سیستم‌های مدیریت فرایندهای کسب‌وکار (Business Process Management Systems) که به اختصار BPMS خوانده می‌شوند، ابزارهای قدرتمندی برای خودکارسازی و نظارت بر فرایندها هستند. اما ارزش واقعی این پلتفرم‌ها که در مدل‌سازی، اجرا، نظارت و بهینه‌سازی فرایندها به کمک سازمان‌ها می‌آیند، بیشتر در داده‌های مفیدی نهفته است که در اختیار مدیران می‌گذارند. با تحلیل داده‌هایی BPMS می‌توانید الگوهایی که در پس کوهی از اطلاعات پنهان شده‌اند را کشف کنید و آن‌ها را جهت بهبود مستمر فرایندهای کسب‌وکار خود به کار بگیرید.

داده‌های BPMS شامل مواردی مثل لاگ‌های سیستم (Event Logs) می‌شود که حساس‌ترین اطلاعات هر مرحله از فرایندها را ثبت می‌کند. این داده‌ها نقش مهمی در روش‌های تحلیل پیشرفته مثل Process Mining دارند. باید به این نکته توجه داشته باشید که تحلیل داده‌های BPMS چیزی فراتر از یک گزارش‌گیری ساده از سیستم است. این تحلیل بخش‌های مختلفی مثل تکنیک‌های آماری، یادگیری ماشین، مدل‌سازی و شبیه‌سازی را برای شناسایی ناهنجاری‌هایی که در فرایندها وجود دارند شامل می‌شود.

گلوگاه‌های فرایندی و پیش‌بینی آن‌ها

منظور از گلوگاه‌های فرایندی (Bottlenecks) نقاطی هستند که جریان کار را با محدودیت مواجه می‌کنند و از سرعت آن می‌کاهند. به شکل دقیق‌تر، گلوگاه فرایندی به حلقه‌ای در زنجیره فرایندها گفته می‌شود که ظرفیت محدود آن، سرعت و کارآمدی تمام زنجیره را تحت تاثیر قرار می‌دهد. برای مثال، تاخیر در تایید اسناد، صف طولانی کارهای عقب افتاده یا روبه‌رو شدن با کمبود منابع می‌توانند از نتایج گره‌هایی باشند که گلوگاه‌های فرایندی به کار سازمان شما می‌اندازند.

پیش‌بینی گلوگاه‌ها را می‌توانید مطابق با روش‌های مختلفی پیش ببرید که از ساده‌ترین آن‌ها یعنی فلوچارت شروع می‌شود و بعد به روش‌های پیچیده‌تر بر اساس مدل‌های پیش‌بینی‌کننده (Predective Models) مثل تحلیل رگرسیون (Regression Analysis)، درخت تصمیم (Decision Tree) یا روش شبکه‌های عصبی (Neural Network) می‌رسد. این روش‌ها به خوبی از متغیرهای BPMS مثل زمان متوسط تکمیل چرخه، نرخ ورود کارها، ظرفیت منابع و... به عنوان ورودی استفاده می‌کنند تا دقیق‌ترین پیش‌بینی‌ها را برای جلوگیری از ایجاد گلوگاه‌ها انجام دهند.

مراحل پیش‌بینی گلوگاه‌ها

رویکردهای مختلف پیش‌بینی گلوگاه‌ها علاوه‌بر این‌که با دقت خوبی از پس این کار برمی‌آیند، همچنین می‌توانند پیش‌بینی زمان‌بندی فرایندها را نیز برای شما انجام دهند. پیش‌بینی گلوگاه‌ها چرخه‌ای از جمع‌آوری اطلاعات تا اعتبارسنجی را پوشش می‌دهد و تضمین می‌کند که پیش‌بینی‌های دقیق به شما کمک می‌کنند که به صورت فعالانه، پیش از وقوع مشکلات آن‌ها را حل کنید. به طور کلی مراحلی که برای این کار باید طی شود این‌ها هستند:

1. جمع‌آوری داده‌ها

   این مرحله پایه و اساس کل فرایند پیش‌بینی است و حتما باید به شکل درست انجام شود. در این مرحله داده‌های خام از سیستم BPMS سازمان جمع‌آوری می‌شود؛ اطلاعاتی مثل لاگ‌های سیستم که زمان شروع و پایان هر فعالیت، شناسه فرایند، منابع در جریان و متغیرهای مربوط به آن‌ها را شامل می‌شوند.

   از APIهای موجود در BPMS برای استخراج داده‌ها استفاده کنید تا مطمئن شوید که اطلاعات کامل و بدون نقص، بر اساس زمان‌های دقیق و واقعی ثبت می‌شود. یکی از چالش‌هایی که در این مرحله ممکن است با آن روبه‌رو شوید، حجم بالای داده‌هاست. برای مثال یک سازمان ممکن است روزانه میلیون‌ها سند در فرایندهای عادی خود ثبت کند. در چنین شرایطی می‌توانید از ابزارهای ETL (Extract, transform, load) برای فیلتر کردن داده‌های مرتبط بهره ببرید و بخش‌های اضافی را کنار بگذارید. توجه داشته باشید که همیشه باید داده‌ها را از منابع معتبر دریافت کنید و از فرمت‌های استاندارد استفاده کنید تا با ابزارهای مختلفی که به کار می‌گیرید سازگار باشند.

2. پاک‌سازی و آماده‌سازی

   پس از جمع‌آوری داده‌ها اغلب اوقات مشخص می‌شود که داده‌ها دارای نویز و ناسازگاری‌های فراوانی هستند. در این مرحله باید به سراغ پیدا کردن مقادیر تکراری (Duplicates) بروید و همچنین مقادیر گم‌شده‌ای که خلا ایجاد می‌کنند را پیدا کنید یا معادل‌های منطقی برای آن‌ها بسازید تا داده‌های منابع مختلف یکپارچه‌سازی شوند.

   نویزها می‌توانند نتیجه خطاهای انسانی یا سیستماتیک باشند که برای حذف آن‌ها در تحلیل داده‌ها از تکنیک‌هایی مثل Outliner Detection با استفاده از ابزارهای IQR (Interquartile Range) یا Z-Score استفاده می‌شود. به طور کلی داده‌هایی که در اختیار دارید، در این مرحله باید برای استفاده در مدل‌های یادگیری ماشین عاده‌سازی شوند.

3. تحلیل توصیفی

   کاری که در این مرحله باید انجام شود توصیف داده‌ها جهت کشف الگوهای فعلی است. می‌توانید از نمودارها، هیستوگرام‌ها یا نقشه‌های حرارتی کمک بگیرید. در تحلیل توصیفی باید به محاسبه KPIهای (Key Performance Indicators) مختلف مثل زمان چرخه، نرخ گلوگاه‌ها و... بپردازید و همچنین از روش‌های خوشه‌سازی برای شناسایی گروه‌های فرایندی مشابه استفاده کنید. این مرحله اگرچه پیچیدگی خاص خود را دارد،‌ اما اگر به شکل حرفه‌ای انجام شود می‌تواند به مدیران کمک کند تا پیش‌بینی زمان‌بندی فرایندها را بر اساس روندهای فعلی به درستی انجام دهند.

4. مدل‌سازی پیش‌بینی

   مهم‌ترین بخش تمام این پروسه همین مرحله است. در این مرحله مدل‌ها مختلف ریاضی و منطق، به کمک هوش مصنوعی (AI) پیاده‌سازی می‌شوند تا پیش‌بینی‌ها به دقت انجام شود. در اینجا می‌توانید از مدل‌های رگراسیون برای پیش‌بینی زمان و یا از Neural Networks برای کار با الگوهای پیچیده استفاده کنید. این‌که با کدام ابزار به سراغ پیش‌بینی داده‌ها می‌روید و چه سطحی از تخصص را در این مرحله از کار پیاده‌سازی می‌کنید به انتخاب سازمان شما بستگی دارد.

5. اعتبارسنجی

   پس از این‌که مدل‌سازی بر اساس داده‌های قبلی انجام شد، وقت آن است که مدل را با داده‌های جدید و واقعی به آزمون بگذارید تا دقت آن مشخص شود. معیارهای آماری مختلفی وجود دارند که می‌توانند دقت مدل را پیش‌بینی کنند و مقدار خطا را به شما نشان دهند. مدل را در BPMS سازمان خود به اجرا بگذارید و نتایج را با پیش‌بینی‌های مدل مقایسه کنید. در صورت نیاز مدل را آن‌قدر با روش‌های مختلف بروزرسانی کنید و تغییر دهید تا به یک مدل با دقت بالا برسید.

روش‌های تحلیل داده‌های BPMS برای پیش‌بینی

همانطور که در مراحل پیش‌بینی گلوگاه‌ها اشاره کردیم، روش‌های متنوعی برای تحلیل داده‌هایی که از BPMSها دریافت می‌کنید وجود دارد. برخی از پرکاربردترین روش‌های این کار را می‌توانید در زیر ببینید.

فرایندکاوی
فرایندکاوی یا Process Mining روشی است که در آن الگوریتم‌های خاصی روی داده‌های لاگ سیستم پیاده‌سازی می‌شوند تا الگوهای پنهان و جزییات کارکرد فرایندهای کسب‌وکار کشف شوند. این تکنیک داده‌های BPMS را برای کشف فرایندهای واقعی به کار می‌گیرد و برای پیش‌بینی به کمک مدل‌های شبیه‌سازی نیاز دارد تا بتواند سناریوهای گوناگون را بیازماید.

یادگیری ماشین
یادگیری ماشین یا Machine Learning یکی از مباحث مربوط به هوش مصنوعی است که به سیستم‌ها این امکان را می‌دهد تا به صورت خودکار قابلیت یادگیری داشته باشند و بتوانند پیشرفت کنند. استفاده از این روش برای تحلیل داده‌های BPMS نیازمند تخصص بیشتری است اما نتایج دقیق‌تری هم در اختیار شما می‌گذارد. الگوریتم‌های طبقه‌بندی در این تکنیک می‌توانند وظایفی که احتمال تاخیر در آن‌ها وجود دارد را پیش‌بینی کنند و گلوگاه‌های فرایندی را پیش از شکل‌گیری به شما نشان دهند.

تحلیل سری زمانی
مدل‌های یادگیری عمیق مثل ARIMA یا LSTM می‌توانند برای پیش‌بینی زمان‌بندی فرایندهای کسب‌وکار استفاده شوند و داده‌های زمانی را برای پیش‌بینی‌های دقیق تحلیل کنند. برای انجام این روش معمولا لازم است از ابزارهای مختلفی که داده‌ها را مطابق با زمان واقعی در اختیار شما می‌گذارند استفاده کنید.

چالش‌های تحلیل داده‌های BPMS

تحلیل داده‌های BPMS جهت پیش‌بینی گلوگاه‌های فرایندی هیچ‌گاه بدون چالش نیست. این چالش‌ها می‌توانند شامل موارد زیر باشند:

• کیفیت پایین داده‌ها: داده‌های ناقص می‌توانند تحلیل را با مشکل مواجه کنند. برای این‌که به چنین مشکلی برنخورید لازم است استانداردهای مختلفی را به شکل همزمان پیاده‌سازی کنید. محدودیت‌های شما در این مرحله کاملا به BPMSای که در سازمان از آن استفاده می‌کنید بستگی دارد.

• پیچیدگی مدل‌ها: مدل‌های پیش‌بینی‌کننده معمولا نیاز به تخصص دارند و به این سادگی‌ها نمی‌توان از آن‌ها استفاده کرد. در نتیجه یا باید به سراغ همکاری با کارشناسان متخصص در این حوزه بروید و یا از ابزارهایی که کار با آن‌ها ساده‌تر است استفاده کنید.

• امنیت داده‌ها: نگرانی‌های سازمان‌ها در حفظ حریم خصوصی داده‌هایشان باعث می‌شود که به این سادگی‌ها نتوانند به ابزارهای مختلف اعتماد کنند و اطلاعات خود را به دست آن‌ها بسپارند. برای عبور از این چالش بهتر است به سراغ ابزارهایی بروید که برای حفظ امنیت داده‌های شما تعبیرات لازم را از قبل دیده‌اند.

• یکپارچگی سیستم‌ها: برخی از BPMSها ممکن است با برخی از ابزارهایی که برای پیش‌بینی گلوگاه‌های فرایند کسب‌وکار معرفی کردیم سازگار نباشند. برای حل این مساله می‌توانید از APIهای مختلف جهت یکپارچه‌سازی استفاده کنید و یا از ابتدا به سراغ سیستم‌هایی بروید که مشکلات ادغام با سایر ابزارها را نداشته باشند.

فرایندساز، راه‌حل چالش‌های BPMS

تا اینجا دیدیم که اگرچه تحلیل داده‌های BPMS می‌تواند به پیش‌بینی گلوگاه‌های فرایندهای کسب‌وکار کمک کند و به بهبود مستمر فرایندها منجر شود، اما چالش‌هایی نیز با خود به همراه دارد. یکی از جایگزین‌هایی که برای BPMS وجود دارد و می‌تواند شما را از چالش‌های تحلیل داده‌ها به این روش رها کند سیستم‌ساز است.

سیستم‌ساز

سیستم‌ساز یک پلتفرم توسعه است که ترکیبی از BPMS و امکانات توسعه کم کد (Low-code Development) را در اختیار شما می‌گذارد. شما با استفاده از سیستم‌ساز می‌توانید نرم‌افزارهای فرایندمحوری که برای کسب‌وکار خود نیاز دارید را طراحی کنید و تمام ابزارهای تحلیل داده‌ها جهت پیش‌بینی گلوگاه‌های فرایندی را نیز در آن تعبیه کنید. مهم‌ترین ویژگی سیستم‌ساز این است که برای استفاده از امکانات آن به دانش عمیق برنامه‌نویسی نیازی ندارید. سیستم‌ساز بخش‌های مختلفی دارد که یکی از کاربردی‌ترین آن‌ها فرایندساز نام دارد.

فرایند‌ساز

فرایندساز یکی دیگر از جایگزین‌های کاربردی BPMS است که می‌تواند در بهبود مستمر فرایندهای کسب‌وکار شما موثر باشد. فرایندساز یک ابزار قدرتمند در سیستم ساز است که دست شما را برای طراحی، اجرا و مدیریت فرایندها به هر شکلی که می‌خواهید باز می‌گذارد. رابط کاربری فرایندساز اصلا پیچیده نیست و انعطاف‌پذیری بالایی نیز جهت سفارشی‌سازی فرایندهای سازمان شما دارد. علاوه بر این‌ها، تمام استانداردها و معیارهایی که برای مدلسازی فرایندها و تحلیل دقیق آن‌ها نیاز دارید به سادگی از طریق فرایندساز در دسترس شما خواهد بود.

خلاصه مطلب

پیش‌بینی گلوگاه‌های فرایندی می‌تواند مانند یک ماشین زمان کوچک، شما را از چالش‌هایی که در فرایندهای کسب‌وکار خود با آن‌ها روبه‌رو خواهید شد باخبر کند. یکی از روش‌هایی که برای این پیش‌بینی استفاده می‌شود تحلیل داده‌های BPMS سازمان است. با استفاده از این داده‌ها و تکیه بر قدرت ابزارهای مختلف، می‌توانید از پیش‌بینی زمان‌بندی فرایندها تا بهبود مستمر فرایندها را به دقت پیش ببرید و فرایندهای سازمان خود را همواره بهینه‌سازی کنید. شما همچنین می‌توانید به سراغ ابزارهای قدرتمندتر مثل سیستم‌ساز و فرایندساز بروید و دقت پیش‌بینی گلوگاه‌های فرایندها را افزایش دهید.