Nieuwe vorm van process mining geeft betere, 3D-blik in de organisatie

Process mining

Process mining begint met de extractie van events uit informatiesystemen. Informatiesystemen zijn doorgaans samengesteld uit meerdere onderdelen, soms van verschillende leveranciers. Zelfs binnen een systeem van één leverancier kan men honderden of zelfs duizenden verschillende databasetabellen aantreffen. Uit deze tabellen worden events afgeleid om te ontdekken hoe processen werkelijk verlopen.

Een event is een gebeurtenis die in werkelijkheid heeft plaatsvonden, denk aan het plaatsen van een bestelling of de opname van een patiënt. Een event kan verschillende attributen hebben, maar om process mining toe te passen moet een event ten minste een tijdstempel hebben, een activiteit beschrijven, en gaan over een specifiek object, vaak casus genoemd. Bijvoorbeeld: een klant plaatst een bestelling bestaande uit vijf artikelen op 10 maart 2023. Tijdstempel (10-3-2023) en activiteit (“plaats bestelling”) zijn duidelijk.

Als casus kunnen we het bestelnummer kiezen of het klantnummer. Deze keuze bepaalt of we het bestelproces willen analyseren of het proces van de klant. Als we events met de attributen casus, activiteit en tijd hebben kunnen we automatisch procesmodellen afleiden die laten ziet wat er precies gebeurt, hoe vaak en hoe lang de processtappen duren. Dit noemen we process discovery. Met behulp van conformance checking kunnen afwijkingen zichtbaar worden. Denk bijvoorbeeld aan bestellingen die te laat of incompleet worden geleverd of waarvoor controles zijn overgeslagen.

In veel gevallen is het ook mogelijk performance en compliance problemen te voorspellen, we spreken dan over predictive analytics. Op basis van process discovery, conformance checking en predictive analytics resultaten kunnen acties worden ondernomen  om het proces te verbeteren. Voor vaker optredende problemen kunnen deze interventies automatisch plaatsvinden door middel van zogenaamde action flows. Een leverancier die vaak prijzen verandert kan bijvoorbeeld automatisch worden geblokkeerd.

Figuur 1: Process mining is in staat problemen te ontdekken door middel van process discovery, conformance checking en predictive analytics en kan op basis van deze resultaten automatisch ingrijpen in lopende processen (action flows).

Uitdagingen

Op dit moment zijn er meer dan veertig leveranciers van process-mining tools. Celonis is een van deze leveranciers en de hoogst gewaardeerde startup in Duitsland (€13 miljard). De overnames van processminingfirma’s zoals Signavio, Minit, myInvenio, ProcessGold, en LanaLabs door respectievelijk SAP, Microsoft, IBM, UiPath, en Appian laten zien dat het belang van process mining breed wordt onderkend.

Het extraheren van eventdata is nog steeds tijdrovend en moet steeds voor elk proces en invalshoek opnieuw gebeuren. Ook is het gezichtsveld beperkt door de keuze van het soort object dat geselecteerd is als casus. In het eerdere voorbeeld van een klant die een bestelling plaatst bestaande uit vijf artikelen, kunnen we naar het proces van klantcontacten kijken of het afhandelen van bestellingen.

Indien we de bestelde artikelen als focus kiezen, volgen we elke artikel afzonderlijk. Dit betekent dat het event 'plaats bestelling' in de data vijf keer plaatsvindt: één keer per artikel. Dit kan tot misleidende inzichten leiden, doordat events die slechts één keer hebben plaatsgevonden, worden gedupliceerd. Daarnaast worden de interacties tussen verschillende objecten niet meegenomen. Om deze problemen te adresseren is een fundamenteel andere wijze van process mining noodzakelijk.

Object-Centric Process Mining

In Object-Centric Process Mining (OCPM) kan een event betrekking hebben op verschillende soorten objecten en is niet langer gebonden aan een enkele casus. Het eerder genoemde event 'plaats bestelling' heeft betrekking op een klantobject, een bestelobject en vijf artikelobjecten. Een levering kan betrekking hebben op een klant, een pakket, en artikelen uit meerdere bestellingen. In operationele processen hebben we vaak te maken met veel verschillende objecten, denk aan klanten, leveranciers, patiënten, locaties, medewerkers, eindproducten, halffabricaten, machines, rekeningen en betalingen. Daarom is het waardevol processen en organisaties uit verschillende invalhoeken te bekijken en niet slechts te focusseren op een enkel objecttype.

OCPM start met extraheren van Object-Centric Event Data (OCED) uit de onderliggende informatiesystemen zonder een keuze te maken voor een bepaald type object. Per event worden alle relevante objecten meegenomen. Dit heeft twee belangrijke voordelen: het is niet langer nodig data te extraheren voor elke invalshoek en de events komen overeen met de echte events zonder onnodige duplicatie of andere vervormingen.

Het is nog steeds mogelijk om op basis van OCED klassieke eventlogs te genereren, net zoals uit driedimensionale beelden tweedimensionale beelden gecreëerd kunnen worden door middel van projectie. We kunnen echter ook direct driedimensionale procesmodellen te ontdekken die verschillende soorten objecten beschrijven. In deze modellen is de interactie en samenhang tussen objecten te zien. Behalve process discovery, kunnen ook conformance checking en predictive analytics technieken gegeneraliseerd worden om meerdere objecttypen tegelijk te analyseren.

Omgaan met complexiteit

OCPM maakt gebruikt van data die veel dichter bij de werkelijkheid staan en levert daarom ook meer nauwkeurige en realistische modellen. Natuurlijk worden modellen complex als veel objecttypen tegelijkertijd zichtbaar gemaakt worden. Het is echter mogelijk meerdere sterk vereenvoudigde views te creëren. Elke invalshoek bestaat uit een selectie van objecttypen en activiteiten.

Ervaring laat zien dat verstandig is niet meer dan vijf objecttypen en vijfentwintig activiteiten te selecteren. De gebruiker kan zelf de invalshoek kiezen en aanpassen. Voor standaardprocessen zoals O2C (Order-to-Cash), P2P (Purchase-to-Pay), AR (Accounts Receivable) en AP (Accounts Payable) kunnen standaard profielen gecreëerd worden om snel waardevolle inzichten te genereren.

In de Process en Data Science (PADS) onderzoekgroep aan de RWTH (Aachen University) hebben we in de afgelopen jaren diverse algoritmen en softwareprototypen ontwikkeld die om kunnen gaan met meerdere objecttypen. Voor grootschalige toepassing in de praktijk is echter de integratie van deze technieken in commerciële software noodzakelijk. Celonis Process Sphere ondersteunt OCPM en ontdekt procesmodellen met verschillende soorten objecten en laat per activiteit de correcte aantallen zien. Het is mogelijk objecttypen en activiteiten te filteren en voor O2C-, P2P-, AR- en AP-processen zijn er standaard profielen beschikbaar. De frequentie en doorlooptijd tussen verschillende activiteiten met betrekking tot één of meer objecttypen kunnen geanalyseerd worden.

Figuur 2: Analyse van doorlooptijden op basis van een procesmodel ontdekt door Celonis Process Sphere. Het model laat drie objecttypen zien: klantorders, bestelde items, en leveringen.

Van statisch naar dynamisch

Tot dusver was process mining gericht op de analyse van een enkel proces vanuit een bepaalde invalshoek op basis van een eventlog. Met OCPM is het niet langer noodzakelijk vooraf een invalshoek te kiezen. Op elk moment zijn alle data beschikbaar en de invalshoek kan gekozen worden op basis van de inzichten die nodig zijn. Daarom gebruiken we de metafoor van dynamische 3D-MRI’s om OCPM te verduidelijken.

Veel problemen hebben betrekking op de interactie tussen verschillende objecten, processen, en organisatieonderdelen. Bijvoorbeeld problemen bij inkoop kunnen leiden tot kleinere batchgroottes in productie die op hun beurt leiden tot meerdere zendingen voor één klantorder wat leidt tot extra kosten en CO2-emissies. De oorzaak van het probleem ligt echter niet bij transport of productie, maar bij inkoop en de afhankelijkheid tussen de verschillende deelprocessen.

OCPM biedt dus veel voordelen:

• Door de eenmalige extractie van hoge kwaliteit eventdata en alle relevante objecten is het niet langer nodig steeds terug te keren naar de onderliggende gegevensbronnen.
• Door de selectie van objecttypen en activiteiten is het mogelijk analyses uit verschillende invalshoeken te genereren.
• Door nieuwe processminingtechnieken is het mogelijk interacties en afhankelijkheden tussen objecten in beeld brengen en te analyseren. 

Vanwege deze voordelen is de verwachting dat OCPM in de komende jaren de meest gangbare vorm van process mining wordt.