En este artículo te contamos cómo se pueden transformar los procesos de negocio con la unión de Process Mining + Machine Learning + Optimización Matemática.
Conociendo los procesos y sus puntos de mejora
Como hemos profundizado en artículos anteriores, la minería de procesos o Process Mining es la disciplina y tendencia tecnológica que se encarga de analizar los datos de los diferentes sistemas y aplicaciones empresariales para descubrir, monitorizar y mejorar procesos de negocio.
La minería de procesos o Process Mining se centra en 5 focos principales:
- Descubrimiento y rendimiento de los procesos: Permite identificar y analizar los procesos reales para comprender cómo se ejecutan las operaciones empresariales. Además, compara el marco teórico con la realidad y controla el rendimiento de los procesos en todo momento.
- Costes y recursos: Determina los costes de procesamiento, residuos, recursos, material y compensación. También identifica las cargas de trabajo de usuarios, equipos, departamentos, y su infra o subutilización en los procesos.
- Cumplimiento normativo y control del fraude: Permite gestionar el riesgo, las posibles malas prácticas y el fraude, asegurando el cumplimiento normativo en todo momento.
- Oportunidades de mejora y automatización: Detecta ineficiencias en los procesos y las razones reales por las que se producen. Además, identifica en qué puntos aplicar automatización resultaría enormemente beneficioso para la compañía.
- Visión end-to-end centrada en el cliente: Permite comprender el Customer Journey real y los diferentes resultados de los procesos de ‘punta a punta’, de manera que se pueda optimizar la experiencia del cliente de forma sostenible e integral. ¿Cómo están afectando los diferentes procesos y los correspondientes puntos de contacto en la percepción del cliente?
Gracias a estas capacidades, Process Mining aporta grandes ventajas y proporciona un contexto completo para mejorar los procesos y garantizar que se obtiene el máximo beneficio de las iniciativas de automatización.
Veamos entonces paso a paso como sería aplicar Process Mining sumando capacidades de IA y optimización matemática en los procesos de negocio, y qué supondría para una compañía.
Ya conocemos, comprendemos y controlamos el rendimiento de los procesos, ¿y ahora qué?
El análisis de un proceso de negocio y posterior actuación tras los descubrimientos se puede comparar con el análisis de un cuerpo humano. A continuación, realizamos una analogía con la medicina que todo el mundo puede entender fácilmente.
Cuando una persona siente algún síntoma, primero se realizan análisis básicos como el análisis de sangre para comprobar que algo realmente no está bien. Del mismo modo, en un proceso podemos ver KPIs que no están yendo como deberían a través de simples herramientas de Business Intelligence.
El siguiente paso obvio si existe una lesión es hacer un análisis más profundo de la misma para descubrir y entender qué ocurre realmente. En este punto estaríamos hablando de Process Mining, como comentábamos anteriormente, la disciplina que nos permite entender nuestros procesos reales a fondo y localizar los puntos de mejora.
Una vez entendido qué ocurre y cómo se puede actuar, ya se llevaría a cabo una cirugía si es necesaria, se propondría una medicación al paciente, se le propondría un cambio de dieta o actividad en su día a día o se le ingresaría, siempre haciendo un seguimiento. Este punto posterior a la aplicación de Process Mining se podría comparar con la aplicación de automatizaciones o acciones de mejora para la corrección de los desvíos a través de técnicas basadas en Inteligencia Artificial, machine learning, motores de reglas u optimización matemática, y a la ingesta de datos en tiempo real para el seguimiento.
Veámoslo con un ejemplo
Todos los procesos de negocio independientemente de la plataforma que se utilice para gestionarlos tienen entradas de instancias diarias y cuentan con un número determinado de empleados para llevar a cabo las diferentes tareas. En muchos casos se queda un número de instancias sin gestionar debido a que no se tiene capacidad para dar salida a la totalidad de estas.
A continuación, vemos un ejemplo de un dashboard de una plataforma de Process Mining en el que se muestran de los casos abiertos, las diferentes tareas asignadas a los distintos empleados y su ejecución en tiempo real. Donde el problema principal detectado es que existe un bloqueo debido a los volúmenes solicitados por los clientes y las unidades en stock.
Podemos ver en la parte inferior que cada tarea tiene un nivel de urgencia asignado (tercera columna) basado en prioridades determinadas por negocio. Esta asignación puede realizarse a través de motores de decisión de una manera automática.
También podemos ver en la cuarta columna una previsión de cumplimiento de tiempos de las tareas realizada a través de modelos de Machine Learning.
En los casos en los que hay más solicitudes de las que se pueden gestionar con los recursos disponibles actuales (muchas tareas que van a realizarse más tarde de lo que deberían), puede aplicarse optimización matemática para planificar el orden de ejecución de las tareas (basándose en prioridades determinadas por negocio) y asignar qué recursos ejecutarán cada una dependiendo de las habilidades de cada empleado, su productividad, etc. De esta manera se pueden mejorar los tiempos de entrega y la ejecución de las tareas con los mismos recursos de los que se dispone.
Adicionalmente, con automatización se pueden sub-dividir los pedidos de aquellos clientes prioritarios, enviándole en el mismo momento la cantidad de unidades existente en stock, notificándoselo al cliente, y creando una nueva solicitud de envío con la diferencia que resta del pedido original.
Sumando capacidades de IA al análisis con Process Mining
Como podíamos ver en el ejemplo anterior, se pueden aplicar técnicas basadas en Inteligencia Artificial como Machine Learning para crear modelos predictivos que nos indiquen la probabilidad de que una tarea vaya a realizarse en tiempo o no.
Con el historial de datos, también se puede hacer un grafo a través de un modelo de Machine Learning para conocer la ruta más rápida entre las tareas del proceso, es decir, se puede conocer la Next Best Action. Estos modelos se actualizan en tiempo real y siguen aprendiendo con los cambios y mejoras del proceso.
Gracias a la ingesta de datos en tiempo real en las herramientas de Process Mining, pueden verse las mejoras de aplicar este tipo de técnicas en los diferentes puntos del proceso en todo momento.
Minimizando los efectos de los cuellos de botella mediante optimización matemática
En los casos en que tenemos un número de instancias sin gestionar debido a que no se tiene capacidad para darles salida, este cuello de botella puede ir acumulándose con el paso de los días. Aunque como comentábamos más arriba, puede mejorarse enormemente gracias al uso de modelos matemáticos.
Por ejemplo, imaginemos que tenemos una entrada de 1000 instancias al día y al finalizar la jornada nos han quedado 300 instancias sin gestionar. Al día siguiente volveremos a tener 1000 entradas de nuevas instancias además de las 300 instancias que no pudimos gestionar el día anterior. Ahora veamos cómo un modelo de optimización matemática puede mejorar esta situación.
Un modelo de optimización matemática es capaz de generar planificaciones por horas para los empleados de la manera más eficiente para poder dar salida al máximo número de instancias en el menor tiempo posible.
Para ello otorga a las tareas diferentes niveles de prioridad y tiempo de realización, determina si es necesario realizar una tarea después de otra, o si debe ser realizada por un determinado departamento. También otorga a los empleados diferentes skills o nivel de productividad según el tiempo que tardan en realizar las tareas. De esta manera una tarea de 2h otorgada a un empleado con baja productividad será realizada en 4-5h.
El modelo de optimización matemática tiene en cuenta todas estas variables y restricciones para realizar las planificaciones óptimas. Estas planificaciones se pueden introducir en la herramienta de Process Mining y en la solución de gestión pertinente para que cada empleado tenga clara las instancias que debe gestionar, en qué orden y en cuanto tiempo. Esta planificación se puede volver a reajustar con el modelo para asegurar que siempre se maximiza el uso de los recursos.
Sin incluir el modelo matemático el supervisor solo puede gestionar las crisis e imprevistos del presente, tapar problemas y poner parches. Una aplicación con este tipo de tecnología les permite tener una planificación a futuro y un entorno de simulación donde jugar con los posibles escenarios (aumento de entrada de instancias, menor o mayor capacidad, etc.).
En definitiva…
Hemos visto en un solo ejemplo, cómo estamos sumando todas las capacidades de analítica descriptiva (indicadores de negocio), analítica predictiva (probabilidad de éxito / fallo operativo), analítica prescriptiva (determinación de prioridades), optimización matemática (orden y planificación mensual de las actividades a realizar, qué, cuándo y por quién); y automatización (ejecución de tareas y subprocesos automatizados como el envío de órdenes, notificaciones, etc.)
¿Te interesa saber más sobre cómo la unión de Process Mining, ML y Optimización Matemática puede ayudarte a mejorar tus procesos de negocio?
También puedes seguirnos en las redes sociales (Linkedin, Twitter, Youtube) para no perderte nada y mantenerte al tanto de futuros eventos o acciones.