فرایندکاوی چیست ؟

فرآیندکاوی نوعی تحلیل داده محور است که به سازمان ها اجازه می دهد فرآیند های خود را به صورت واقعی کشف کنند، آنها را مورد تحلیل وبررسی قرار دهند ، مشکلات را تشخیص دهند و به طور خودکار اقدامات اصلاحی را آغاز کنند.

فرایندکاوی یک رشته علمی نوظهور است که از اشتراک علم مدیریت فرآیند و علم داده حاصل می‌شود. در واقع در فرآیندکاوی مدل‌سازی و تحلیل فرآیند با استفاده از داده های ثبت شده روی سیستم‌های اطلاعاتی  (که بعدا گزارش رویداد می‌نامیم ) انجام می‌شود.

فرایندکاوی چیست

فرایندکاوی چیست

مدیریت فرآیند برای سال‌ها یک ابزار قدرتمند برای کشف، تحلیل و بهبود تدریجی فرآیند ها بوده است. با این حال مدیریت فرآِیند تا قبل از فرآیندکاوی از داده‌های ثبت شده در سیستم‌های اطلاعاتی بهره نمی برده است. با توسعه سیستم های اطلاعاتی از یک سو و پیشرفت در حوزه هوش مصنوعی و تحلیل‌های داده محور حوزه فرآیندکاوی برای جهت استفاده از تحلیل های داده محور در حوزه فرآیند معرفی شد.

در واقع در فرآِیندکاوی داده ها از سیستم های اطلاعاتی (هر سیستمی که فرآِیندها از طریق آ در سازمان اجرا می‌شوند ERP، BPMS ،CRM و ….) گرفته می‌شوند و در مرجله اول به مدل فرآِیندی تبدیل شده (مشابه مدل فرآیندی کشف شده در مدیریت فرآیند  اما بدون مصاحبه و بسیار دقیقتر و کامل تر!!) در مرحله دوم با تحلیل این مدل ها مشکلات فرآِیند نظیر گلوگاه، انحراف، دوباره‌کاری و … شناسایی می‌شوند و در واقع فرصت های بهبود فرآِیند بر مبنای داده‌ها شناسایی می‌شوند.

این مقاله، مروری بر حوزه فرایندکاوی ارائه می‌کند و انواع مختلف فرایندکاوی (به عنوان مثال، کشف فرآیند و بررسی انطباق) و اجزای اصلی آن، یعنی مدل‌های فرآیندی و گزارش رویداد را معرفی می‌کند. در  قسمت‌های بعدی، گزارش‌های رویداد با جزئیات بیشتر معرفی می‌شوند علاوه بر این، مروری کوتاه بر  نرم افزارهای فرایندکاوی ارائه خواهد شد.

ارتباط فرایندکاوی و چرخه مدیریت فرایند

فرایندکاوی
فرایندکاوی

فرآیندکاوی (Process Mining) و مدیریت فرآیند کسب و کار (Business Process Management یا BPM) دو مفهوم مهم در زمینه بهبود عملکرد و بهینه‌سازی فرآیندهای کسب و کار هستند. این دو مفهوم در مدیریت و بهبود فرآیندهای کسب و کار نقش مهمی ایفا می‌کنند و به صورت ترکیبی می‌توانند به بهبود عملکرد و بهره‌وری کمک کنند. در ادامه، توضیحی کلی درباره هر دو مفهوم ارائه می‌شود و نقش ارتباط آنها توضیح داده می‌شود:

فاز اول: کشف فرآیند

  • شروع هر پروژه BPM این است که مشخص کند کدام فرآیندها نیاز به بهینه سازی دارند. اولین مانع بزرگی که باید بر آن غلبه کرد، درک فرآیند «همانطور که هست» است. برای یافتن نقاط بهبود و اقدام در مورد آن، باید بدانید که سیستم فعلی چگونه عمل می کند.
  • در چرخه BPM به صورت سنتی، کشف فرآیند به صورت مصاحبه با افراد درگیر در فرآیند یا مطالعه اسناد مرتبط با فرآیند می باشد. در این حالت، کشف فرآیند مملو از خطای انسانی، ذهنیت و اعتبار سنجی ناخواسته نقص های موجود است
  • در مقابل رویکرد سنتی، فاز کشف فرآیند در فرایند کاوی با استفاده از ردپای دیجیتال عینی فرایند به جا مانده در سیستم‌های فناوری اطلاعات یا همان گزارش رخداد اشکار می گردد.

فاز دوم: تجزیه و تحلیل فرآیند

بعد از فاز کشف فرآیند که وضع موجود فرآیند را بر اساس داده‌های گزارش رخداد ایجاد کرده است، فاز تجزیه و تحلیل فرآیند است. تجزیه و تحلیل فرآیند، نان و کره فرایندکاوی است، مرحله ای که در چند دقیقه اتفاق می افتد و جایگزین مدل قدیمی مصاحبه های حضوری و بررسی اسناد دستی می شود که قبلاً در چرخه BPM غالب بود. تجزیه و تحلیل فرآیند فرصت های بهبود در مراحل بعدی پروژه BPM شما را برجسته می کند. این مرحله بینش هایی را در مورد نقاط ضعف فرآیند و تأثیر آنها ارائه می دهد و تیم شما را برای طراحی مجدد فرآیند آماده می کند.

فاز سوم: طراحی مجدد فرآیند

فاز طراحی مجدد فرآیند، بخش مهمی از چرخه عمر BPM است که به فرهنگ ، اهداف تجاری و چشم انداز استراتژیک شرکت وابسته است. در این مرحله، باید از طریق بینش های به دست آمده در مرحله تجزیه و تحلیل فرآیند (اطلاعات عملکردی فرایند) و دانش تیم خود، برای طراحی فرآیند جدیدی که نیازهای شما را برآورده می کند استفاده کنید. در این مرحله تغییرات نه بر اساس نظرات و تجربیات شخصی یا سعی و خطا، بلکه بر اساس تحلیل های داده-محور مستخرج از داده کاوی اتفاق می افتد.

فاز پنجم: نظارت بر فرآیند

اکنون که این فرآیند کشف، تجزیه و تحلیل، بازطراحی و اجرا شده است، زمان نظارت است. بین فرایندکاوی و BPM به طور کلی یک ارتباط دائمی و تکرار پذیر برقرار است. ذاتاً، فرآیندها، تکرار پذیر و بی پایان هستند و بنابراین، بهینه سازی، مساله ای تکرار پذیر است. هنگامی که فرآیندها به درستی انجام می شوند و به طور مداوم نظارت می شوند. در نتیجه فرآیندها می توانند در اوج عملکرد باقی بمانند. می توان با تعریف یک سری شاخص های عملکرد کلیدی فرایند مانند طول زمان فرآیند، هزینه‌های صرف شده برای فرآیند، خطاهای کیفیت و تغییراتی که بر تحویل به مشتریان تأثیر می‌گذارند، بر عملکرد فرآیند نظارت کرد. فرایند کاوی با استفاده از داده های گزارش رخداد فرآیند، این شاخص ها را اندازه گیری می کند و با توجه به نیاز تحلیل گر فرآیند، جزئیات مختلف عملکرد فرآیند را آشکار می کند.

فاز ششم: بهبود فرآیند

با توجه به عملکرد فرآیند که در فاز نظارت به دست می آید، فاز بهبود در فرآیند شکل می گیرد. این مرحله روح واقعی و حاکم بر چرخه BPM و به عنوان استراتژی بهبود مستمر شناخته می شود. همانطور که همه چیز به دلیل عواملی فراتر از خود فرآیندها تغییر می کند، خود فرآیند نیز باید تغییر کند. تغییرات اجتناب ناپذیر ممکن است شامل اخراج کارکنان، قوانین خارجی، مقررات جدید، اقتصاد در حال تغییر، قراردادهای تامین کننده به روز یا تغییر تقاضای مشتری باشد. با نگه داشتن انگشت خود روی نبض بهینه سازی فرآیند، از این تغییرات اجتناب ناپذیر استقبال کنید. برای تغییر در صورت لزوم، آماده باشید. فرایندکاوی با مشخص کردن نقاط تغییر در فرایند منجر به ایجاد بهبود مستمر مبتنی بر داده است.

مفهوم فرایندکاوی

فرایندکاوی دقیقا چی می باشد ؟

فرایندکاوی را می توان به صورت زیر تعریف کرد: هدف فرایندکاوی بهبود فرآیندهای عملیاتی از طریق استفاده سیستماتیک از گزارش‌های رویداد است.

تکنیک‌های فرایندکاوی با استفاده از ترکیبی از گزارش‌های رویداد و مدل‌های فرآیندی، بینش‌هایی را ارائه می‌کنند، گلوگاه‌ها و انحرافات را شناسایی می‌کنند، مشکلات عملکرد و انطباق را پیش‌بینی و تشخیص می‌دهند، و از خودکارسازی یا حذف کارهای تکراری پشتیبانی می‌کنند.

بهتر است این مقاله را نیز مطالعه کنید: فرایندکاوی چیست؟

تکنیک‌های فرایندکاوی می‌توانند عقب‌نگر(Backward-looking) باشند (به عنوان مثال، یافتن دلایل ریشه‌ای یک گلوگاه در فرآیند تولید) یا آینده‌نگر(ّForward-looking)(مثلاً پیش‌بینی زمان پردازش باقی‌مانده یک پرونده در حال اجرا یا ارائه توصیه‌هایی برای کاهش نرخ شکست).

هر دو تحلیل عقب نگر و آینده نگر می توانند اقداماتی را آغاز کنند (مانند اقدامات متقابل برای رسیدگی به یک مشکل عملکرد یا انطباق). تمرکز فرایندکاوی بر روی فرآیندهای عملیاتی است، یعنی، فرآیندهایی که به اجرای مکرر فعالیت ها برای ارائه محصولات یا خدمات نیاز دارند.

اینها را می توان در همه سازمان ها و صنایع از جمله تولید، تدارکات، مالی، فروش، تدارکات، آموزش، مشاوره، مراقبت های بهداشتی، تعمیر و نگهداری و دولتی یافت. این مقاله یک نمای کلی 360◦ از فرایندکاوی و مفاهیم اساسی و موقعیت یابی آن  با توجه به سایر فناوری ها ارائه می دهد.

ایده استفاده از داده های با جزئیات در مورد فرآیندهای عملیاتی جدید نیست. به عنوان مثال، فردریک وینسلو تیلور (1856-1915) داده هایی را در مورد وظایف خاص برای بهبود بهره وری نیروی کار جمع آوری کرد. با افزایش دسترسی به رایانه ها، صفحات گسترده و سایر ابزارهای هوشمندی کسب و کار برای نظارت و تجزیه و تحلیل فرآیندهای عملیاتی مورد استفاده قرار گرفتند.

با این حال، در بیشتر موارد، تمرکز بر روی یک کار واحد در فرآیند بود، یا رفتار به شاخص‌های عملکرد کلیدی (KPI) مانند زمان جریان، بهره‌وری و هزینه‌ها کاهش می‌یافت. هدف فرایندکاوی تجزیه و تحلیل فرآیندهای سربه سر در سطح رویدادها است، به عنوان مثال، رفتار دقیق به منظور توضیح و بهبود عملکرد و مشکلات انطباق در نظر گرفته می شود.

پژوهش‌های فرایندکاوی در اواخر دهه 1990 آغاز شد  در سال 2004 اولین نسخه از پلتفرم منبع باز ProM با 29 افزونه منتشر شد. با گذشت زمان پلتفرم ProM گسترش یافت و اکنون شامل بیش از 1500 افزونه است. اولین ابزارهای تجاری فرایندکاوی حدود 15 سال پیش ظاهر شدند.

امروزه بیش از 40 ابزار تجاری فرایندکاوی وجود دارد و فرایندکاوی توسط هزاران سازمان در سراسر جهان استفاده می شود. با این حال، تنها بخش کوچکی از پتانسیل آن محقق شده است. فرآیند موضوعی قابل تعمیم است و می تواند در هر سازمانی اعمال شود.

شکل 1 نشان می دهد که فرایندکاوی را می توان به عنوان نقطه تلاقی علم داده و علم فرآیند در نظر گرفت. به تعریف زیر دقت کنید: «علم داده یک زمینه بین رشته ای است که هدف آن تبدیل داده ها به ارزش واقعی است. داده ها ممکن است ساختاریافته یا بدون ساختار، بزرگ یا کوچک، ایستا یا جریانی باشند. ارزش ممکن است در قالب پیش‌بینی‌ها، تصمیم‌های خودکار، مدل‌های آموخته‌شده از داده‌ها یا هر نوع تجسم داده‌ای که بینش ارائه می‌کند مطرح شود. علم داده شامل استخراج داده ها، آماده سازی داده ها، کاوش داده ها، تبدیل داده ها، ذخیره سازی و بازیابی، زیرساخت های محاسباتی، انواع مختلف کاوش و یادگیری، ارائه توضیحات و پیش بینی ها، و بهره برداری از نتایج با در نظر گرفتن جنبه‌های اخلاقی، اجتماعی، قانونی و  جنبه تجاری است.»

در منابع بسیاری از علم فرآیند به عنوان یک به اصطلاح چتر برای اشاره به رشته گسترده تری استفاده می شود که دانش حاصل از فناوری اطلاعات و دانش حاصل از علوم مدیریت را برای بهبود و اجرای فرآیندهای عملیاتی ترکیب می کند. در مطالعه جدیدتر ، تعریف زیر پیشنهاد شده است: «علم فرآیند مطالعه بین رشته‌ای در مورد تغییرات مداوم است. منظور ما از فرآیند، مجموعه ای منسجم از تغییرات است که در طول زمان آشکار می شوند و در سطوح متعدد رخ می دهند.

در مطالعات اخیر، بر ویژگی‌های کلیدی زیر در علم فرآیند تأکید شده است : (1) فرآیندها در کانون توجه هستند، (2) فرآیندها با استفاده از روش‌های علمی بررسی می‌شوند، (3) از یک لنز بین‌رشته‌ای استفاده می‌شود، و (4) هدف علم فرآیند عبارت است از تأثیرگذاری و تغییر فرآیندها برای تحقق پیشرفت های قابل اندازه گیری

همانطور که در بالا بیان شد و در شکل 1 مشاهده شد. فرایندکاوی را می توان به عنوان پیوندی بین علم داده و علم فرآیند در نظر گرفت. فرایندکاوی به دنبال ایجاد هم‌افزایی از طریق داده‌های رویداد (یعنی رفتار مشاهده‌شده) و مدل‌های فرآیند (مدل‌های دست ساز یا مدل‌های کشف شده خودکار) است و هدف آن بهره‌برداری معنادار از داده‌های رویداد است، به عنوان مثال، ارائه بینش، شناسایی گلوگاه‌ها، پیش‌بینی مشکلات، ثبت تخلفات از خط مشی فرآیندی سازمان، توصیه اقدامات متقابل و ساده کردن فرآیندها.

شکل 2 نمای سطح بالایی از فرایندکاوی را نشان می دهد. داده های رویداد باید از سیستم های اطلاعاتی مورد استفاده برای پشتیبانی از فرآیندهایی که نیاز به تجزیه و تحلیل دارند استخراج شود. سیستم های مدیریت ارتباط با مشتری (CRM)، برنامه ریزی منابع سازمانی (ERP) و مدیریت زنجیره تامین (SCM) و نرم افزارهای BPMS رویدادها را ذخیره می کنند. به عنوان مثال می توان به SAP S/4HANA، Oracle E-Business Suite، Microsoft Dynamics 365 و Salesforce CRM اشاره کرد. در کنار این سیستم‌های نرم‌افزاری، سیستم‌های تخصصی‌تری مانند سیستم‌های اطلاعات سلامت (HIS) وجود دارد. همه این سیستم ها در بارگذاری داده های رویداد مشترک هستند. با این حال، این‌ها در بسیاری از جداول پایگاه داده پراکنده شده اند و باید به قالبی تبدیل شوند که بتوان از آن برای فرآیند‌کاوی استفاده کرد. در نتیجه، استخراج داده‌ها بخشی جدایی ناپذیر از هر تلاش فرایندکاوی است و ممکن است زمان‌بر باشد.

رویدادها اغلب با شناسه مورد (Case Identifier)، نام فعالیت(Activity name، زمان (Timestamp) و ویژگی‌های اختیاری مانند منبع، مکان، هزینه و غیره نشان داده می‌شوند. داده‌های رویداد شی‌محور به رویدادها اجازه می‌دهند تا به هر تعداد شی به جای یک مورد(Case) واحد اشاره کنند.

پس از استخراج، داده های رویداد را می توان کاوش، انتخاب، فیلتر و پاکسازی کرد (شکل 2 را ببینید). برای درک داده ها می توان از تکنیک های تجسم داده ها مانند نمودارهای (Dotted Chart) و نمودارهای توالی (Sequence Diagram) استفاده کرد. اغلب، داده ها باید در محدوده فرآیند مورد نظر قرار گیرند. می توان از زبان های کوئری عمومی مانند SQL، SPARQL، و XQuery یا یک کوئری مبتنی بر فرآیند به طور اختصاصی یعنی (PQL) استفاده کرد.

داده ها ممکن است ناقص، تکراری یا ناسازگار باشند. به عنوان مثال، ماه و روز ممکن است در هنگام ورود دستی داده ها با هم عوض شوند. تکنیک ها و رویکردهای مختلفی برای رسیدگی به چنین مشکلاتی در مورد کیفیت داده وجود دارد .

مجموعه داده حاصل اغلب به عنوان گزارش رویداد، یعنی مجموعه ای از رویدادهای مربوط به فرآیند انتخاب شده نامیده می شود. تکنیک های کشف فرآیند برای ایجاد خودکار مدل های فرآیندی استفاده می شود. ابزارهای تجاری معمولاً هنوز هم از یادگیری Graph Directly follow (DFG) که اغلب به مدل‌های فرآیندی با مشکل کم برازش (Underfitting)  مواجه است منجر می‌شود .

اگر دو فعالیت با ترتیب ثابت اتفاق نیفتند، حلقه‌ها ایجاد می‌شوند. این منجر به نمودارهای اسپاگتی مانند می شود که تکرارهایی را ایجاد می کنند که توسط داده ها پشتیبانی نمی شوند. با این حال، رویکردهای متعددی برای یادگیری مدل‌های سطح بالاتر وجود دارد که با استفاده از مدل‌ها و نمادگذاری فرآیند کسب‌وکار (BPMN)، شبکه‌های پتری، یا نمودارهای فعالیت زبان مدل‌سازی یکپارچه (UML) ارائه شده‌اند. برخلاف DFG ها، چنین مدل هایی قادر به بیان همزمانی هستند. مثال‌هایی از تکنیک‌ها برای کشف چنین مدل‌هایی عبارت از الگوریتم آلفا ، رویکردهای مبتنی بر منطقه(Region-based Algorithm) ، تکنیک‌های استخراج استقرایی(Inductive mining)  و ا (Split miner) است. هدف مدل فرآیندی بازگشتی ممکن است توصیف تمام رفتار مشاهده شده یا فقط رفتار غالب باشد. توجه داشته باشید که گزارش رویداد فقط شامل رفتار نمونه است، احتمالاً ناقص است و در عین حال ممکن است رفتار نادری داشته باشد.

ترکیبی از یک مدل فرآیند و داده های رویداد می تواند برای انجام بررسی انطباق و تجزیه و تحلیل عملکرد استفاده شود (شکل 2). مدل فرآیند ممکن است به طور دستی کشف یا ساخته شده باشد. مدل‌های فرآیندی کشف‌شده توصیفی هستند و مدل‌های دستی اغلب ایده‌آل هستند.

بررسی انطباق رویدادها را در گزارش رویداد به فعالیت‌های مدل فرآیند مرتبط می‌کند و هر دو را با هم مقایسه می‌کند. هدف، یافتن اشتراکات و اختلافات بین رفتار مدل سازی شده و رفتار مشاهده شده است. اگر مدل فرآیند ایده‌آل باشد، انحرافات با رفتار نامطلوب (به عنوان مثال، تقلب یا ناکارآمدی) مطابقت دارد. اگر مدل به طور خودکار با هدف نشان دادن رفتار غالب کشف شد، آنگاه انحرافات با رفتار استثنایی مطابقت دارد. توجه داشته باشید که اکثر فرآیندها دارای توزیع پارتو هستند، به عنوان مثال، 80٪ موارد را می توان تنها با 20٪ از انواع فرآیند توصیف کرد. ایجاد یک مدل فرآیندی که این 80% را توصیف کند، اغلب آسان و مطلوب است. با این حال، 20٪ باقیمانده را نمی توان دور انداخت زیرا این موارد 80٪ باقی مانده از انواع فرآیند و اغلب، طیف وسیعی از مشکلات عملکرد و انطباق را پوشش می دهند. گاهی اوقات گزارش‌های رویداد حتی نامتعادل‌تر هستند، به عنوان مثال، یافتن گزارش‌هایی که 95 درصد موارد را می‌توان با کمتر از 5 درصد از انواع فرآیند توصیف کرد، غیرمعمول نیست.

در مورد دوم، ممکن است 5٪ موارد باقیمانده (که 95٪ از انواع فرآیندها را پوشش می دهد) بیشتر منابع را به دلیل دوباره‌کاری مصرف کنند. از آنجایی که رویدادها دارای زمان هستند، به راحتی می توان مدل فرآیند را با تشخیص عملکرد (زمان سرویس، زمان انتظار و غیره) جایگذاری کرد. پس از کشف کنترل جریان، مدل فرآیند را می توان به یک مدل تصادفی که شامل احتمالات و توزیع های مربوط به تاخیر است تبدیل کرد.

پس از اعمال تکنیک های بررسی انطباق و تجزیه و تحلیل عملکرد، کاربران می توانند مشکلات عملکرد و انطباق را مشاهده کنند. انجام تجزیه و تحلیل علل ریشه ای برای چنین مشکلاتی امکان پذیر است. ممکن است متوجه شوید که انحرافات بحرانی اغلب توسط یک ماشین یا تامین کننده خاص ایجاد می شود، یا اینکه گلوگاه اصلی ناشی از برنامه ریزی ضعیف منابع یا دوباره کاری بیش از حد برای برخی از انواع محصول است. در یک فرآیند تدارکات، تغییرات قیمت توسط یک تامین کننده خاص ممکن است علت افزایش دوباره کاری را توضیح دهد. اگر «دریافت فاکتور» اغلب قبل از «ایجاد درخواست خرید» اتفاق می‌افتد، این نشان دهنده وجود مشکل انطباق در همان فرآیند است. اینها فقط چند نمونه هستند. در اصل، تا زمانی که داده های رویداد در دسترس باشد، هر مشکل مربوط به فرآیند را می توان تشخیص داد.

سمت راست شکل 2 نشان می دهد که فرایندکاوی می تواند برای (1) تبدیل و بهبود فرآیند و (2) شناسایی مشکلات مشاهده شده و پیش بینی شده  مورد استفاده قرار گیرد. مدل‌های فرآیندی تصادفی کشف‌شده از داده‌های رویداد می‌توانند برای انجام تحلیل «چه می‌شود اگر» با استفاده از شبیه‌سازی یا سایر تکنیک‌های تحقیق در عملیات (مثلاً برنامه‌ریزی) استفاده شوند. ترکیبی از داده‌های رویداد و مدل‌های فرآیندی می‌تواند برای ایجاد مسائل یادگیری ماشین (ML) استفاده شود. تکنیک های ML را می توان برای پیش بینی نتایج استفاده کرد. توجه بهML در سال‌های اخیر را می‌توان به پیشرفت در یادگیری عمیق نسبت داد، جایی که شبکه‌های عصبی مصنوعی دارای لایه‌های متعدد به تدریج ویژگی‌های سطح بالاتر را از ورودی خام استخراج می‌کنند. تکنیک های ML نمی توانند به طور مستقیم بر روی داده های رویداد اعمال  شود. با این حال، با پخش مجدد داده‌های رویداد بر روی مدل‌های فرآیند کشف‌شده، می‌توان طیفی از مسائل یادگیری تحت نظارت را ایجاد کرد. مثالهایی در این مورد عبارتند از:

زمان باقی مانده رسیدگی به یک خسارت بیمه خاص چقدر است؟

  •  آیا می توانیم 95 درصد موارد را در عرض یک هفته رسیدگی کنیم؟
  •  آیا این برنامه از روند مورد تایید منحرف می شود؟
  •  آیا این بیمار به بخش مراقبت های ویژه منتقل می شود؟
  •  آیا فردا به اندازه کافی تخت رایگان در بخش مراقبت های ویژه خواهیم داشت؟

توجه به این نکته مهم است که سمت راست شکل 2 (یعنی استخراج، کشف، بررسی انطباق، و تجزیه و تحلیل عملکرد) را نمی توان با استفاده از فناوری های اصلی هوش مصنوعی (AI) و یادگیری ماشین (ML) پشتیبانی کرد.

(به عنوان مثال، شبکه های عصبی). ابتدا باید یک مدل فرآیند صریح را کشف کرد که به طور محکم به داده های رویداد متصل است تا سؤالات درست را مطرح کند. با این حال، فرایندکاوی می تواند برای ایجاد مسائل AI/ML استفاده شود. این ترکیب را می توان برای راه اندازی اقدامات اصلاحی یا حتی کامل کردن گردش کار برای رسیدگی به مشکل مشاهده شده استفاده کرد. به این ترتیب، داده های رویداد را می توان به اقداماتی تبدیل کرد که به طور فعال به مشکلات عملکرد و انطباق می پردازد.

2.مدل‌های فرآیندی

نمادهای زیادی برای توصیف فرآیندها وجود دارد، از نمودارهای (DFG) و سیستم های گذار گرفته تا شبکه های BPMN و Petri. ما از یک مثال برای معرفی تدریجی این نمادها استفاده خواهیم کرد. فرآیندی را در نظر بگیرید که شامل فعالیت‌های زیر است: خرید مواد (bi)، ایجاد پایه (cb)، اضافه کردن گوجه‌فرنگی (at)، اضافه کردن پنیر (ac)، اضافه کردن سالامی (as)، پختن در فر (bo)، خوردن پیتزا (ep) ، و آشپزخانه تمیز (ck). ما این فرآیند خیالی را «فرایند پیتزا» می نامیم و از آن برای نشان دادن مفاهیم و نمادهای کلیدی استفاده می کنیم.

شکل 3 یک مدل فرآیندی را با استفاده از نمادگذاری (BPMN) نشان می دهد. این فرآیند با فعالیت «خرید مواد تشکیل دهنده» (bi) و سپس فعالیت «ایجاد پایه» (cb) شروع می شود. سپس سه فعالیت به هر ترتیب انجام می شود: «اضافه کردن گوجه فرنگی» (at)، «اضافه کردن پنیر» (ac) و «اضافه کردن سالامی» (as). بعد از اضافه شدن هر سه تاپینگ (گوجه فرنگی، پنیر و سالامی)، فعالیت های «پخت در فر» (bo)، «خوردن پیتزا» (ep)، و تمیز کردن آشپزخانه (ck) به ترتیب انجام می شود. با فرض اینکه سه فعالیت همزمان به هر ترتیبی انجام شوند (یعنی به صورت درهم آمیخته)، 6 =!3 روش برای اجرای فرایند پیتزا وجود دارد. دو علامت الماس شکل با + در داخل آن‌ها  نشان دهنده دروازه های موازی است. اولی به اصطلاح AND-split است که سه شاخه همزمان را شروع می کند و دومی به اصطلاح AND-join است. فرآیند BPMN با یک رویداد آغاز (به صورت دایره نشان داده شده) شروع می شود و با یک رویداد پایانی (به صورت یک دایره ضخیم نشان داده شده است)

به انتها می رسد.

شکل3. مدل BPMN «فرایند پیتزا» با فعالیتها خرید مواد (bi)، ایجاد پایه (cb)، اضافه کردن پنیر (ac)، افزودن گوجه فرنگی (at)، اضافه کردن سالامی (as)، پختن در فر (bo)، خوردن پیتزا ( ep)، و آشپزخانه تمیز (ck).

شکل4. شبکه پتری «فرایند پیتزا» با فعالیتها خرید مواد (bi)، ایجاد پایه (cb)، اضافه کردن پنیر (ac)، افزودن گوجه فرنگی (at)، اضافه کردن سالامی (as)، پختن در فر (bo)، خوردن پیتزا ( ep)، و آشپزخانه تمیز (ck).

شکل 4 همان فرآیند را از نظر شبکه پتری مدل می کند. این مدل نیز به 3! = 6 روش برای اجرای «فرایند پیتزا» اجازه اجرا می‌دهد. دایره ها مربوط به مکان ها (برای مدل سازی حالت ها) و مربع ها مربوط به گذار‌ها (برای مدل سازی فعالیت ها) هستند.

مکان‌ها ممکن است دارای توکن باشند. مکانی علامت گذاری شده نامیده می شود که حاوی توکن باشد. علامت گذاری توزیع نمودن توکن‌ها بر روی مکان ها است. در شکل 4، محل منبع (به عنوان مثال، محل ورودی گذار bi ) مشخص شده است، همانطور که با توکن(نقطه سیاه) نشان داده شده است. اگر همه مکان‌های ورودی علامت‌گذاری شده باشند، انتقال فعال می‌شود. در علامت گذاری اولیه نشان داده شده در شکل 4،گذار bi (مربوط به فعالیت خرید مواد اولیه) فعال است. انتقالی که فعال است ممکن است شلیک شود (یعنی ممکن است رخ دهد).

به این معنی که از هر یک از مکان های ورودی یک توکن حذف می شود و برای هر یک از مکان های خروجی یک توکن تولید می شود. توجه داشته باشید که گذار cb یک توکن مصرف می کند و سه توکن تولید می کند (یکی برای هر مکان خروجی) وگذار bo سه توکن (یک توکن برای هر مکان ورودی) مصرف می کند و یک توکن تولید می کند.

این فرآیند زمانی به پایان می رسد که یک توکن در محل سینک، یعنی محل خروجی ck قرار گیرد. در مجموع  علامت قابل دسترسی ((Reachable Marking وجود دارد. اگرچه رفتار شبکه پتری در شکل 4 همانند مدل BPMN در شکل 3 است، اما اشاره به حالت های مدل فرآیند آسان تر است.

شکل 4 همان فرآیند را از نظر شبکه پتری مدل می کند. این مدل نیز به 3! = 6 روش برای اجرای «فرایند پیتزا» اجازه اجرا می‌دهد. دایره ها مربوط به مکان ها (برای مدل سازی حالت ها) و مربع ها مربوط به گذار‌ها (برای مدل سازی فعالیت ها) هستند.

مکان‌ها ممکن است دارای توکن باشند. مکانی علامت گذاری شده نامیده می شود که حاوی توکن باشد. علامت گذاری توزیع نمودن توکن‌ها بر روی مکان ها است. در شکل 4، محل منبع (به عنوان مثال، محل ورودی گذار bi ) مشخص شده است، همانطور که با توکن(نقطه سیاه) نشان داده شده است. اگر همه مکان‌های ورودی علامت‌گذاری شده باشند، انتقال فعال می‌شود. در علامت گذاری اولیه نشان داده شده در شکل 4،گذار bi (مربوط به فعالیت خرید مواد اولیه) فعال است. انتقالی که فعال است ممکن است شلیک شود (یعنی ممکن است رخ دهد).

به این معنی که از هر یک از مکان های ورودی یک توکن حذف می شود و برای هر یک از مکان های خروجی یک توکن تولید می شود. توجه داشته باشید که گذار cb یک توکن مصرف می کند و سه توکن تولید می کند (یکی برای هر مکان خروجی) وگذار bo سه توکن (یک توکن برای هر مکان ورودی) مصرف می کند و یک توکن تولید می کند.

این فرآیند زمانی به پایان می رسد که یک توکن در محل سینک، یعنی محل خروجی ck قرار گیرد. در مجموع  علامت قابل دسترسی (Reachable Marking) وجود دارد. اگرچه رفتار شبکه پتری در شکل 4 همانند مدل BPMN در شکل 3 است، اما اشاره به حالت های مدل فرآیند آسان تر است.

اندازه بازارفرآیند‌کاوی جهانی در سال 2021 برابر با 627.0 میلیون دلار برآورد شد.

پیش‌بینی می‌شود که این بازار از 933.1 میلیون دلار در سال 2022 به 15546.4 میلیون دلار تا سال 2029 رشد کند و رشد نرخ سالانه مرکب 49.5 درصدی را در طول دوره پیش‌بینی نشان دهد. بر اساس تحلیل ما، بازار جهانی در سال 2020 رشد متوسط 48.5 درصدی را نسبت به سال 2019 نشان داد.

نیاز روزافزون به تقویت حسابرسی و انطباق سنجی فرآیندها در سازمان‌ها، پذیرش فزاینده راه‌حل‌ها و خدمات ابری و افزایش آگاهی در مورد درک و تجزیه و تحلیل فرآیندهای تجاری در بین سازمان‌ها، تقاضا برای دریافت نرم‌افزار و خدمات فرایندکاوی را افزایش داده است.

  • بازار فرآیندکاوی در صنایع مختلف

فرآیندکاوی در صنایع مختلف مورد استفاده قرار گرفته است که شامل

  • بانکداری، خدمات مالی و بیمه
  • تولیدی
  • انرژی
  • فناوری اطلاعات و ارتباطات
  • خرده فروشی
  • لجستیک و حمل و نقل
  • سلامت
  • اموزش
  • سازمان های دولتی
  • سایر

طبق برآوردها می‌رود بخش بانکداری، خدمات مالی و بیمه مهمترین عامل درآمد در بازار جهانی فرآیندکاوی در سال 2022 بوده و انتظار می‌رود در دوره پیش‌بینی‌شده سلطه خود را حفظ کند. این این مساله را توان به رقابت شدید بین شرکت های خدمات مالی و بانکی جهانی و تلاش آنها برای بهبود تجربه مشتری و ارائه خدمات بهتر نسبت داد.

علاوه بر این، به دلیل محدودیت های بودجه، شرکت های این حوزه تمام تلاش خود را برای یافتن راه حل های پایدار و مقرون به صرفه متمرکز می کنند که منجر به افزایش تقاضا در بازار فرآیندکاوی می شود. همچنین، بانک‌ها و شرکت‌های خدمات مالی تلاش می‌کنند تا تجربه مشتری خود را بهبود بخشند و خدمات بهتری را ارائه دهند، زیرا مشتریان به طور فزاینده‌ای خدمات مورد نیاز خود را در بستر دیجیتال دنبال می کنند و رقبای بانکی از فناوری دیجیتال استفاده می‌کنند.

  • بررسی اجمالی بازار فرایندکاوی از منظر جغرافیایی

از نظر جغرافیایی، اروپا بیشترین سهم را در سال 2021 داشته است. این منطقه یکی از اولین کشورهایی است که فناوری های پیچیده را پذیرفته است. این منطقه بزرگترین ابزارها و خدمات دیجیتال و اتوماسیون را دارد. با کمک اتوماسیون، بخش های زیادی در حال گذار دیجیتالی هستند. این صنایع همیشه به دنبال ایده‌های نوآورانه‌ای هستند که می‌توانند به افزایش کارایی و کاهش هزینه‌های سرمایه‌گذاری کمک کنند.

علاوه بر این، انتظار می‌رود آسیا اقیانوسیه در سال 2021 شاهد نرخ رشد ترکیبی سالانه(CAGR) بالایی در بازار جهانی باشد. این به دلیل نیاز روزافزون کسب‌وکارها به بهبود ممیزی فرآیند و انطباق است. افزایش هزینه‌های زیرساخت ابری توسط کسب‌وکارهای بزرگ، کوچک و متوسط ​​و ایجاد بسیاری از استارت‌آپ‌ها نیز بازار منطقه‌ای را به جلو می‌برد. سازمان ها در کشورهای توسعه نیافته همچنان از تکنیک فرآیند سنتی مبتنی بر یادداشت های کاغذی و مصاحبه استفاده می کنند.

  • روند موارد استفاده (کارکرد های) فرآیندکاوی در کسب و کارها

مطابق گزارش گارتنر در سال 2021، بیشترین استفاده از فرایندکاوی در کسب و کارهای مختلف در سه دسته 1- کشف فرآیند (38%)، 2- حسابرسی (28%)  و
3- بهبود عملکرد (34%) قرار می گیرد. مطابق همین گزارش، روند قابل توجهی به سمت افزایش تمرکز بر استفاده از فرایندکاوی برای بهبود فرآیند وجود دارد. تخمین زده می شود که برنامه های بهبود فرآیند در سال 2022 به 42 درصد خواهد رسید و از کشف فرآیند فراتر خواهد رفت.

مطابق گزارش گارتنر،

  • 83 درصد از تصمیم گیرندگان تجاری قصد دارند پذیرش بهینه سازی فرآیند را در مسیر تجربه مشتری (customer journey mapping) افزایش دهند. فرایندکاوی یک ابزار اصلی در جعبه ابزار بهینه سازی فرآیند است.
  • 93 درصد از پاسخ دهندگان به پرسشنامه اظهار داشتند که می خواهند فرایندکاوی را در سازمان خود اعمال کنند.
فرایندکاوی