Свод знаний по управлению бизнес-процессами: BPM CBOK 4.0

Поскольку прямое наблюдение неизбежно ограничивается относительно небольшой выборкой, оно может не выявить всего диапазона вариаций от группы к группе и от одного местоположения к другому. Также существует риск того, что исполнитель будет делать не то, что он делает обычно, а то, что, по его/ее мнению, вы хотите увидеть. (Изменения в поведении, вызванные наблюдением, называются эффектом Готорна.) Это искажает результаты анализа. Выделите достаточно времени для наблюдения, чтобы исполнители привыкли, что за ними кто-то наблюдает и делает заметки. Люди, отобранные для наблюдения, должны работать на типичном уровне эффективности, а не (например) самом высоком.

5.6.7. Ученичество

Самостоятельное выполнение задачи дает более глубокое понимание, чем наблюдение за тем, как ее делает кто-то другой. Там, где это возможно и принесет пользу, исполнитель может научить аналитика делать работу, и это даст дополнительную информацию о процессе. Необходимость обучать кого-то заставляет людей задумываться о процессе, который они в других условиях выполняют неосознанно.

Этот метод обычно используется для анализа повторяющихся задач, таких как выполнение заказа. Непосредственно участвуя в выполнении процесса, аналитик глубже понимает физические аспекты работы и может разобраться во всех деталях.

Полезно привлекать на время обучения второго аналитика, который будет наблюдать за процессом обучения и первыми шагами ученика.

5.6.8. Имитация действий

Еще один метод анализа работы сотрудников – имитация действий, составляющих процесс, см. раздел 4.6.1 выше.

5.6.9. Изучение информационных систем и потоков данных

Изучение использования информационных систем в контексте процесса – полезный способ анализа, поскольку он основывается на фактах, а не на мнениях. Еще одно преимущество – такой анализ не требует много людей.

Анализ потоков данных заключается в отображении того, как данные проходят через информационные системы. Такой анализ обычно выполняется в ходе моделирования процесса, и его результатом является понимание, в каких точках и как именно процесс взаимодействует с данными. Анализ потоков данных помогает находить узкие места, избыточные очереди, пакетную обработку и взаимодействия, не создающие ценность.

Анализ потоков данных помогает также выявлять основанные на данных бизнес-правила. В результате появляется представление о том, как можно автоматизировать рутинные бизнес-правила, относящиеся к стандартным транзакциям, а также понимание правил, определяющих бизнес-исключения.

Данные о транзакциях в информационной системе дают представление об интенсивности и сложности процесса.

5.6.10. Автоматическое выявление процессов

Автоматическое выявление процессов (process mining) – это метод выявления, мониторинга и оптимизации процессов путем анализа данных из имеющихся журналов регистрации событий в информационных системах. Технологические аспекты автоматического выявления процессов рассматриваются в разделе 8.2.4.3.

У этой технологии три основных применения:

1. Выявление. Алгоритмы автоматического выявления процессов создают модель процесса по данным из журналов событий без использования какой-либо предварительной информации.

2. Сравнение. Выявляются расхождения между теоретической моделью процесса и фактическим процессом. Полученные результаты используются для диагностики отклонений процесса и показателей его эффективности от идеальной модели.

3. Оптимизация. Теоретическая модель процесса корректируется и оптимизируется на основе данных о реальном процессе.

Возможности process mining:

● выявление моделей процессов, исключений и экземпляров процессов (кейсов) вместе с данными о повторяемости и другой статистикой;

● выявление и анализ взаимодействия с клиентами;

● согласование взаимодействия клиентов с внутренними процессами;

● различные взгляды на операции, не только от процесса;

● мониторинг ключевых показателей эффективности в реальном времени с помощью информационных панелей;

● проверка соответствия требованиям и анализ несоответствий;

● предсказательная аналитика, рекомендательная аналитика, сценарное тестирование, имитационное моделирование с использованием контекстных данных;

● оптимизация существующих моделей процессов на основе данных;

● подготовка и очистка данных;

● сводное представление моделей процессов, взаимодействующих друг с другом;

● визуализация вклада процессов в ценность для бизнеса (например, посредством моделей бизнес-операций);

● помещение процессов в общий контекст;

● эффективное взаимодействие между бизнесом и ИТ-специалистами;

● стандартизация бизнес-процессов;

● достижение операционного совершенства за счет оптимизации процессов.

Проекты автоматического выявления процессов включают два основных этапа:

● Этап 1: Выбор процесса и приоритизация. Четкое определение целей оптимизации и процессов верхнего уровня, создающих ценность для бизнеса.