فرایندکاوی (Process Mining) چیست؟ کشف مسیر واقعی فرایند از داده‌های گردش‌کار

اگر از مالک فرایند خرید یک سازمان بپرسید «درخواست خرید چه مسیری طی می‌کند؟»، احتمالاً نموداری تمیز نشانتان می‌دهد: ثبت درخواست، تأیید مدیر واحد، استعلام قیمت، تأیید مالی، صدور سفارش. اما اگر داده‌های واقعی چند هزار درخواست سال گذشته را بررسی کنید، تصویر دیگری می‌بینید: درخواست‌هایی که سه بار بین مدیر و درخواست‌دهنده رفت‌وبرگشت داشته‌اند، درخواست‌هایی که از تأیید مالی رد شده و دوباره از ابتدا شروع شده‌اند، و مسیرهایی که اصلاً در نمودار رسمی وجود ندارند. فاصله بین «فرایندی که فکر می‌کنیم داریم» و «فرایندی که واقعاً اجرا می‌شود» همان چیزی است که فرایندکاوی کشف می‌کند.

این مقاله توضیح می‌دهد فرایندکاوی (Process Mining) چیست، به چه داده‌ای نیاز دارد، سه کاربرد اصلی آن کدام است، هوش مصنوعی چه نقشی در آن دارد و یک سازمان چطور می‌تواند برای آن آماده شود.

فرایندکاوی چیست؟

فرایندکاوی روشی است برای کشف، پایش و بهبود فرایندهای واقعی با استفاده از داده‌هایی که سامانه‌های اطلاعاتی هنگام اجرای کار ثبت می‌کنند. به بیان ساده، فرایندکاوی به‌جای پرسیدن از افراد که فرایند چطور اجرا می‌شود، ردپای دیجیتال کار را تحلیل می‌کند و نقشه واقعی فرایند را از روی آن می‌سازد.

فرایندکاوی در نقطه تلاقی دو حوزه قرار دارد: مدیریت فرایند کسب‌وکار که به طراحی و بهبود فرایند می‌پردازد، و داده‌کاوی که الگوها را از داده استخراج می‌کند. تفاوت آن با گزارش‌های معمولی این است که گزارش‌ها به پرسش‌های از پیش تعیین‌شده پاسخ می‌دهند («چند درخواست داشتیم؟»)، اما فرایندکاوی مسیرها و توالی‌ها را آشکار می‌کند («درخواست‌ها واقعاً از چه مراحلی و با چه ترتیبی گذشتند؟»).

فرایندکاوی به چه داده‌ای نیاز دارد؟

پایه فرایندکاوی لاگ رویداد (Event Log) است: فهرستی از رویدادها که هرکدام دست‌کم سه جزء دارد:

اجزای اختیاری اما بسیار مفید:

• انجام‌دهنده یا نقش: چه کسی یا چه سمتی فعالیت را انجام داده است.
• ویژگی‌های پرونده: مبلغ درخواست، واحد، نوع کالا، شعبه.
• نتیجه فعالیت: تأیید، رد یا برگشت برای اصلاح.

نمونه ساده لاگ رویداد برای سه درخواست خرید:

حتی از همین چند سطر می‌توان دید درخواست ۴۵۳ یک بار برگشت خورده و دو روز معطل مانده است. حالا تصور کنید این تحلیل روی هزاران پرونده انجام شود.

کیفیت داده، شرط اول

فرایندکاوی فقط به اندازه داده‌اش خوب است. اگر بخشی از کار در ایمیل یا پیام‌رسان انجام شود و در سامانه ثبت نشود، آن بخش در نقشه فرایند دیده نمی‌شود. اگر زمان‌ها دقیق نباشند یا یک فعالیت با نام‌های مختلف ثبت شود، تحلیل گمراه‌کننده خواهد بود. به همین دلیل، سازمانی که هنوز تأییدهایش را روی کاغذ می‌گیرد، اول باید فرایند را در سامانه اجرا کند و بعد سراغ فرایندکاوی برود.

سه کاربرد اصلی فرایندکاوی

۱. کشف فرایند (Process Discovery)

از روی لاگ رویداد، مدل واقعی فرایند به‌طور خودکار ساخته می‌شود: همه مسیرهای اجراشده، فراوانی هرکدام و زمان صرف‌شده بین فعالیت‌ها. این نقشه معمولاً پیچیده‌تر از نمودار رسمی است و مسیرهای غیرمنتظره، حلقه‌های رفت‌وبرگشت و فعالیت‌های تکراری را آشکار می‌کند.

پرسش‌هایی که پاسخ می‌دهد: فرایند واقعاً چند مسیر مختلف دارد؟ رایج‌ترین مسیر کدام است؟ چند درصد پرونده‌ها برگشت می‌خورند؟

۲. بررسی انطباق (Conformance Checking)

مدل واقعی با مدل مطلوب یا رسمی مقایسه می‌شود تا انحراف‌ها پیدا شوند: مراحلی که دور زده شده‌اند، ترتیب‌های نادرست یا تأییدهایی که توسط نقش غیرمجاز انجام شده‌اند.

پرسش‌هایی که پاسخ می‌دهد: آیا خریدهای بالای سقف همیشه تأیید مدیرعامل را گرفته‌اند؟ آیا سفارشی پیش از تأیید مالی صادر شده است؟ این کاربرد برای کیفیت، حسابرسی داخلی و کنترل‌های انطباقی بسیار ارزشمند است.

۳. بهبود فرایند (Process Enhancement)

مدل فرایند با اطلاعات زمان، هزینه یا منابع غنی می‌شود تا گلوگاه‌ها و فرصت‌های بهبود دیده شوند: کدام ایستگاه بیشترین زمان انتظار را دارد، کدام نقش بیش از حد بار کاری دارد، یا کدام نوع درخواست بیشتر برگشت می‌خورد.

پرسش‌هایی که پاسخ می‌دهد: زمان چرخه کجا تلف می‌شود؟ اگر یک مرحله را حذف یا موازی کنیم، چه اثری دارد؟ روش‌های سنتی یافتن گلوگاه را در مقاله گلوگاه فرایند چیست شرح داده‌ایم؛ فرایندکاوی همین تحلیل را با داده واقعی و در مقیاس بزرگ انجام می‌دهد.

فرایندکاوی در برابر روش‌های سنتی تحلیل فرایند

این روش‌ها جایگزین هم نیستند. فرایندکاوی نشان می‌دهد چه اتفاقی افتاده، اما برای فهمیدن چرا، هنوز به گفت‌وگو با افراد نیاز دارید. ترکیب داده و کارگاه، بهترین نتیجه را می‌دهد؛ روش کارگاهی را در مقاله تحلیل وضع موجود و مطلوب آورده‌ایم.

سه مثال کاربردی در سازمان‌های اداری و خدماتی

فرایند خرید: تحلیل لاگ درخواست‌های خرید یک سال ممکن است نشان دهد بخش قابل توجهی از درخواست‌ها پس از تأیید مدیر واحد، در ایستگاه مالی برای «تکمیل مدارک» برگشت می‌خورند. نتیجه عملی این کشف ساده است: فیلدهای الزامی فرم ثبت درخواست اصلاح شود تا مدارک از ابتدا کامل باشد. یک تغییر کوچک در فرم، چند روز از زمان چرخه کم می‌کند.

میز خدمت: داده تیکت‌ها می‌تواند نشان دهد تیکت‌هایی که اول به صف اشتباه رفته‌اند، به‌طور میانگین چند برابر زمان بیشتری تا حل نیاز داشته‌اند. این یعنی سرمایه‌گذاری روی دسته‌بندی درست در لحظه ثبت، بیشتر از استخدام کارشناس جدید اثر دارد.

مکاتبات: تحلیل مسیر نامه‌های وارده ممکن است آشکار کند نامه‌های یک موضوع خاص پیش از رسیدن به واحد مسئول، از دو یا سه کارتابل میانی عبور می‌کنند که هیچ اقدامی روی آن‌ها انجام نمی‌دهند. اصلاح جدول توزیع دبیرخانه، این ایستگاه‌های بی‌فایده را حذف می‌کند.

در هر سه مثال، ارزش فرایندکاوی در «دیدن» چیزی است که از دید افراد درگیر پنهان مانده بود؛ هر کس فقط بخش خود را می‌بیند، اما داده کل مسیر را نشان می‌دهد.

نقش هوش مصنوعی در فرایندکاوی

هوش مصنوعی و یادگیری ماشین می‌توانند فرایندکاوی را از «تحلیل گذشته» به «کمک برای آینده» گسترش دهند. کاربردهای رایج در صنعت:

• پیش‌بینی: تخمین اینکه یک پرونده در حال اجرا احتمالاً از مهلت عبور خواهد کرد یا نه.
• تشخیص ناهنجاری: یافتن پرونده‌هایی که الگوی غیرعادی دارند.
• دسته‌بندی دلایل برگشت: تحلیل متن توضیحات برای فهمیدن رایج‌ترین دلایل رد یا برگشت.
• پیشنهاد اقدام: پیشنهاد اینکه کدام پرونده‌ها باید زودتر رسیدگی شوند.

نکته مهم: این پیشنهادها و پیش‌بینی‌ها باید ابزار کمکی برای تصمیم انسانی باشند. تغییر یک فرایند سازمانی تصمیمی مدیریتی است که به بافت، قواعد و ملاحظات انسانی نیاز دارد.

چطور برای فرایندکاوی آماده شویم؟

1. فرایندهای کلیدی را در سامانه اجرا کنید: بدون اجرای سامانه‌ای، لاگ رویدادی وجود ندارد.
2. نام فعالیت‌ها را یکدست کنید: «تأیید مدیر» و «تأیید مدیر واحد» نباید دو فعالیت جدا باشند.
3. همه مراحل را در سامانه ثبت کنید: تأیید شفاهی یا پیام‌رسانی یعنی حفره در داده.
4. شناسه پرونده یکتا داشته باشید: هر درخواست از ابتدا تا انتها با یک شناسه دنبال شود.
5. ویژگی‌های مهم را ثبت کنید: مبلغ، واحد، نوع درخواست؛ این‌ها برای تحلیل‌های مقایسه‌ای لازم‌اند.
6. با یک پرسش مشخص شروع کنید: مثلاً «چرا درخواست‌های خرید شعبه‌ها دیرتر تأیید می‌شوند؟»
7. صبر کنید تا داده کافی جمع شود: تحلیل فرایندی که فقط چند ده پرونده دارد، نتیجه قابل اتکایی نمی‌دهد.

اگر هنوز فرایندهای شما در سامانه اجرا نمی‌شوند، اولین قدم انتخاب درست فرایند است؛ مقاله کدام فرایندها را اول مکانیزه کنیم در این زمینه کمک می‌کند. برای آشنایی با تفاوت خودکارسازی کارهای تکراری و بازطراحی فرایند هم RPA چیست را ببینید.

فرایندکاوی و آریا آی‌تی

در آریا آی‌تی، فرایندها در BPMS با ایستگاه، نقش، شرط و مهلت خدمت اجرا می‌شوند و هر اقدام با نام، زمان و موجودیت در سابقه ثبت می‌شود؛ همان داده‌ای که پایه هر تحلیل فرایندی است. شاخص‌هایی مثل میانگین زمان تأیید، کار معوق و تحلیل گلوگاه برای مدیر فرایند قابل مشاهده است و داشبورد پایش فرایند به‌صورت سفارشی بر اساس پرسش‌های مدیریتی هر سازمان پیکربندی می‌شود. هوش مصنوعی در مدیریت فرایند نیز با رویکرد «پیشنهاد مدل، تصمیم انسان» روی همان رکوردها کار می‌کند. اگر به تحلیل‌های پیشرفته فرایندکاوی مثل کشف خودکار مدل یا بررسی انطباق نیاز دارید، دامنه و امکان‌پذیری آن را برای داده و فرایندهای سازمان خود در مشاوره بررسی کنید.

جمع‌بندی

فرایندکاوی با تحلیل لاگ رویداد (شناسه پرونده، فعالیت و زمان) نقشه واقعی اجرای فرایند را آشکار می‌کند و سه کاربرد اصلی دارد: کشف مسیرهای واقعی، بررسی انطباق با مدل رسمی و یافتن گلوگاه‌ها برای بهبود. شرط اول آن، اجرای فرایند در سامانه و کیفیت داده است. هوش مصنوعی می‌تواند پیش‌بینی و تشخیص ناهنجاری را اضافه کند، اما تصمیم درباره تغییر فرایند همچنان مدیریتی و انسانی است.

---

داده فرایند خود را قابل تحلیل کنید: BPMS آریا آی‌تی را ببینید یا برای بررسی نیاز تحلیلی سازمان خود مشاوره رایگان بگیرید.