Cos’è il process mining. I vantaggi e le applicazioni del mining dei dati per le aziende

Si è iniziato a sentir parlare di process mining a partire dagli anni Novanta, quando Wil van der Alst, attualmente docente e responsabile dell’unità di Process and Data Science della TWTH Aachen University (Olanda), ha introdotto una disciplina estremamente pratica, in grado di combinare la scienza dei processi con la scienza dei dati, implementando via via le tecnologie per acquisire e analizzare i dati che si sono rese progressivamente disponibili.

Per quanto nota da tempo, è stata proprio la recente maturità tecnologica della business analytics a ad accelerare drasticamente l’implementazione dei software di process mining nei sistemi aziendali.

L’adozione del process mining è stato in primo luogo apprezzato dai grandi colossi dell’industria, come Siemens o BMW, quotidianamente alle prese con decine di migliaia di processi di business. Tuttavia, il process mining non è affatto una materia riservata al big enterprise. Gli oggettivi benefici che questa innovativa disciplina è in grado di introdurre nella visione end-to-end del business aziendale stanno entrando infatti in maniera sempre più evidente nel mirino delle PMI.

Oggi il process mining è una disciplina sempre più diffusa in una grande varietà di settori: manifattura, finanza, logistica, sanità, comunicazione e molti altri, anche grazie a software molto semplici da utilizzare e in grado di automatizzare la connessione con tutti i sistemi aziendali più diffusi, da cui possono acquisire i log che impiegano nelle loro analisi. La curva di adozione del process mining in azienda è pertanto molto morbida e non richiede particolari prerequisiti a livello IT.

Gli utilizzi del process mining sono estremamente eterogenei, in quanto mirano a conoscere e a rendere sempre più efficienti i processi di ciascuna azienda. Vediamo pertanto cos’è e cosa si intende attualmente per process mining, cosa lo differenzia da altre discipline, come il task mining o il più noto data mining, quali sono i principali step che lo caratterizzano e quali sono i benefici fondamentali che le aziende possono ottenere implementando una delle soluzioni software attualmente disponibili sul mercato.

Cos’è il process mining

Il process mining viene usualmente definito quale una disciplina analitica per scoprire, monitorare e migliorare i processi di business rispetto a quelli che oggettivamente sono allo stato attuale.

Lo specifico del process mining è infatti dato al basare la propria analisi su dati oggettivi, nella fattispecie l’enorme ecosistema di log generati da tutti i sistemi attivi nell’IT aziendale per supportare i vari processi in atto.

Tale considerazione ci consente di coinvolgere anche la definizione dell’IEEE (Institute of Electrical and Electronics Engineers), secondo cui il Process Mining è una disciplina ponte tra il consolidato Business Process Management (BPM) e le altre discipline analitiche che, almeno all’origine, non sarebbero direttamente orientate ai processi: statistica, data mining, machine learning e business intelligence.

I software di process mining consentono infatti di analizzare i log transazionali generati dai sistemi CRM e ERP, o i log di audit di un sistema di management / governance attivo sui dati o sulle risorse hardware / software dell’azienda. All’atto pratico, un software di process mining generare un vero e proprio digital twin dell’intera enterprise, per offrire una visibilità end-to-end dei processi attivi, con logiche self service (dashboard unificate) e in tempo real time.

I software di process mining si integrano alla perfezione con gli strumenti di orchestrazione multicloud e di data governance che vediamo sempre più frequentemente utilizzati per osservare e gestire le risorse IT all’interno di un ecosistema sempre più vario, complesso e al tempo stesso ricco di opportunità.

L’attenzione del process mining è tuttavia focalizzata sui processi dal punto di vista del business. Prima di entrare nel merito degli step che lo contraddistinguono, è opportuno notare come, tra le funzioni più ricorrenti figuri la creazione automatica di un modello di processo, nel caso in cui non sia stato definito a priori. Ciò avviene grazie alla connessione con i log provenienti dai sistemi informativi aziendali, che vengono associati ad un identificativo univoco di istanza di processo.

I flussi vengono analizzati grazie ad appositi algoritmi di process discovery, in grado di mappare ogni attività relativa i processi, identificando le zone più o meno efficienti, rilevando i colli di bottiglia nell’ottica di evidenziare i punti soggetti ad azioni di progressivo miglioramento.

Come la maggior parte degli strumenti di business analytics, i software di process mining sono in grado di generare automaticamente le raccomandazioni per le azioni da intraprendere, in modo che i decisori tecnici e non tecnici dell’azienda possano prendere decisioni più consapevoli per migliorare l’efficienza dei processi aziendali.

Anche se il process mining prevede una notevole varietà di software commerciali, il funzionamento delle piattaforme è generalmente di tipo agnostico, in quanto il punto di forza di queste tecnologie consiste proprio nella capacità di acquisire dati provenienti dai log di varie fonti, generati da qualsiasi applicazione attiva nell’ecosistema IT dell’azienda: produttività, ERP, CRM, ecc.

Process mining vs Task mining vs Data Mining

Nell’ambito della business analytics, per mining si intende genericamente la capacità di estrarre informazioni dai dati grezzi che vengono acquisiti in tempo reale dai sistemi aziendali. Ciò avviene in vari modi e soprattutto per soddisfare un’ampia gamma di obiettivi. Sono le ragioni per cui, con ogni probabilità, abbiamo sentito ben più frequentemente parlare del data mining.

I software di data mining si distinguono per la loro capacità di individuare i modelli riconoscibili attraverso le associazioni dei dati. Si tratta prevalentemente di modelli “if then”, che descrivono le variabili e le loro relative conseguenze in un determinato contesto.

L’obiettivo primario di un’applicazione di data mining è quella di informare gli stakeholder per consentire loro decisioni più consapevoli, in moltissime aree di attività. Questo avviene grazie alle sue proprietà predittive, attraverso cui diventa ad esempio possibile prevedere la domanda di mercato, gli ordini delle forniture, quali prodotti inserire nelle promozioni o, in tutt’altro campo, individuare l’esigenza di manutenzione su un impianto soltanto quando necessario, o ancora, capire se chi richiede un mutuo o un finanziamento disponga o meno delle condizioni ideali per mantenere l’impegno. Grazie al data mining è inoltre possibile effettuare indagini medico-diagnostiche in maniera decisamente più accurata rispetto ai sistemi tradizionali, con la possibilità di identificare con successo determinate patologie nella loro fase primordiale.

Sia il data mining che il process mining sono in grado di acquisire e analizzare una grande quantità di dati, utilizzando le stesse tecniche, su tutte il machine learning, ma lo fanno con obiettivi differenti, anche se contribuiscono entrambi a migliorare le performance del business.

Il process mining si concentra soprattutto sulle modalità con cui le informazioni sono generate, in funzione dei processi in cui sono contestualizzati, per valutare il livello di efficienza di questi ultimi. Se il data mining si interroga su quali siano i dati rilevanti, il process mining è più orientato a comprendere perché quel dato è stato generato da un determinato processo, e appunto in che modo.

Tale logica fa si che il process mining tenda a concentrarsi soprattutto sulle eccezioni e sulle anomalie, ai fini di rilevare eventuali colli di bottiglia nei processi, mentre il data mining tenda a scartarle, concentrando soprattutto l’attenzione sui dati più rappresentativi, a favore dei modelli predominanti.

Tra le sottodiscipline più popolari della business analytics ritroviamo anche il task mining, molto simile al process mining, rispetto al quale si distingue per porre la propria attenzione sui singoli processi, anziché mirare a garantire una visibilità end-to-end dell’intero enterprise.

Se il process mining è orientato ad un monitoraggio continuo di tutti i processi aziendali, l’implementazione del task mining, anche mediante l’utilizzo di strumenti differenti, si focalizza nell’ambito di una serie più specifica di attività, senza la pretesa di una visione omnicomprensiva.

Process mining e process automation (RPA)

Come accennato, il process mining viene utilizzato per analizzare lo stato corrente della performance dei processi di business, in modo da identificare le aree soggette ad un’azione di miglioramento, valutando end-to-end gli impatti che derivano sull’intera attività. Si tratta di una serie di step che, come vedremo, tendono ad assumere un assetto ciclico.

In buona sostanza si tratta di acquisire e analizzare log potenzialmente all’infinito: un’attività che si associa in maniera perfetta al concetto di automazione. È infatti frequente il simultaneo impiego di software di process mining e tool di robotic process automation (RPA), i cui bot consentono di ottimizzare in maniera drastica un’operatività che sarebbe assolutamente impensabile pensare di eseguire in maniera manuale, data la quantità e la varietà dei dati da correlare.

Il process mining si avvale inoltre di evoluti strumenti di data visualization, per offrire una visione di insieme dello stato dei processi attraverso un’unica dashboard di controllo. Gli indicatori consentono infatti di rilevare i livelli di performance e renderli comprensibili anche ai decisori non tecnici, in primis tutti i manager responsabili delle linee di business a cui i processi fanno riferimento.

Grazie alle più diffuse ed evolute tecnologie di business analytics, gli executive ai vari livelli possono quindi sia identificare i problemi relativi alla performance, che individuare le opportunità latenti, nell’ottica di prendere decisioni su una base effettivamente data-driven, il più oggettiva possibile. Per queste ragioni, I software di process mining integrano sempre più spesso funzioni di machine learning, data visualization e robotic process automation.

Process mining vs interviste

Prima dell’avvento del process mining, gran parte delle operazioni volte ad identificare e valutare la performance dei processi era svolta mediante metodi basati sull’esecuzione di interviste che prevedevano il coinvolgimento diretto di varie figure coinvolte in ambito aziendale. Tale pratica, tuttora in atto, presenta evidenti limiti, sia a livello quantitativo che a livello qualitativo.

In un contesto di trasformazione digitale, in cui tutti gli stakeholder coinvolti nei processi aziendali, dai progettisti ai clienti finali, interagiscono nel loro operato attraverso applicazioni digitali, è possibile ottenere un livello molto più profondo rispetto al responso soggettivo delle interviste.

Grazie all’oggettività dei dati presenti dai log generati dai sistemi con cui i vari soggetti interagiscono continuamente, il process mining è in grado di restituire una fotografia decisamente più accurata rispetto alle interviste tradizionali. Tali strumenti vanno bene per interpretare la cultura e il sentimento aziendale, ma risultano troppo condizionati dalla soggettività delle risposte per pretendere di descrivere in maniera oggettiva ed esaustiva i processi di business, che sono condizionati da un numero di variabili che spesso esulano dal controllo dei loro responsabili. Tale atteggiamento produce infatti il concreto rischio di generare pericolosi bias in sede di analisi e di dare luogo a valutazioni che si basano su descrizioni che non coincidono in alcun modo con la realtà.

Il process mining consente pertanto un approccio oggettivo e data-driven a ciò che viene definito l’assessment dei processi, introducendo descrizioni più sincere rispetto a quelle che si basano esclusivamente sulla percezione dei singoli individui e sulla loro relativa interpretazione dei fatti. Il process mining supera nativamente le criticità dei metodi tradizionali, oltre a consentire risultati analitici in tempi decisamente più contenuti, con costi operativi generalmente più contenuti.

Gli step del process mining

Per quanto riguarda le fasi operative e procedurali del process mining esistono diversi framework, che i software implementano a loro volta in vari modi, ognuno secondo le proprie caratteristiche. In generale, potremmo identificare almeno cinque step fondamentali per un’attività di process mining che voglia dirsi realmente completa nella sua implementazione:

Definizione (Define)

Analisi e definizione del business in senso ampio, per ciò che riguarda i problemi, gli obiettivi, gli stakeholder e i processi correnti, verificando aspetti quali la disponibilità dei dati e l’efficienza della loro gestione. In tale fase vengono inoltre analizzati e definiti i KPI, in modo da identificare con precisione i dati a cui fare riferimento;

Misurazione (Measure)

Come il nome stesso suggerisce, tale step coincide con l’estrazione e la trasformazione dei dati dai log di sistema, coinvolgendo tecniche e metodi di data preparation, ai fini di ripulirli a dovere e renderli disponibili per le fasi analitiche;

Analisi (Analyze)

L’analisi coinvolge tutte le aree in cui i dati possono generare informazioni utili a comprendere il livello di performance dei process, entrando profondamente nel dettaglio d iaspetti quali la loro durata, la frequenza, le eccezioni, le anomalie, anche ai fini di verificare la conformità con i modelli di riferimento. Attraverso l’identificazione degli attributi problematici e delle deviazioni dei citati modelli vengono generati gli indicatori utili alle successive ottimizzazioni. I risultati delle analisi vengono resi disponibili in tempo reale attraverso dashboard che consentono di leggere facilmente i dati relativi alla performance dei processi rispetto ai relativi KPI.

Ottimizzazione (Improvement)

Tale step si focalizza nelle attività utili a sviluppare e implementare soluzioni migliorative per i processi di business. Attraverso i risultati dell’analisi, si procede nell’ottica di migliorare vari aspetti, tra cui l’automatizzazione dei processi stessi, un training più accurato per i sistemi di machine learning del software di process mining e, in generale, ad un’attività rivolta ad ottenere una più performante standardizzazione e armonizzazione dell’attività aziendale. Per raggiungere tali obiettivi, vengono predisposte valutazioni funzionali al potenziamento o all’introduzione di nuovi sistemi IT, oltre ad ottimizzazione quanto già presente. Oltre a concentrare la propria attenzione sul lato operativo dei processi, l’ottimizzazione riguarda anche i KPI stessi, per capire se quelli prefissati sono effettivamente funzionali rispetto ad obiettivi di business che a livello di performance variano ormai in maniera estremamente dinamica.

Monitoraggio (Monitoring)

Continua osservazione e test delle soluzioni migliorative sui processi. Si tratta dello step che chiude un ciclo che, si scusi il gioco di parole, si presenta più che mai ciclico nella propria evoluzione. Il process monitoring consente infatti di acquisire le informazioni utili per rimandare continuamente alle fasi di process discovery e process optimization, nell’ottica di una strategia di continuo miglioramento sulla performance dei processi.

I vantaggi del process mining per le aziende

Il process mining consente alle organizzazioni digitali di conoscere meglio i loro processi, attraverso l’analisi oggettiva di tutto ciò che potenzialmente transita sui loro sistemi informativi. Analizzare i processi mediante informazioni di carattere oggettivo consente, come abbiamo visto, di adottare in azienda un approccio effettivamente data-driven anche in funzione degli obiettivi di performance.

Se un’organizzazione, rispetto alla propria concezione tradizionale, riesce a fare questo passo in termini di change management, ottiene lo straordinario beneficio che risiede nell’affrontare con successo il proprio percorso di trasformazione digitale.

Attraverso il process mining è infatti possibile verificare in ogni minimo dettaglio gli aspetti relativi alla performance dei processi. Quando si tratta di monitorare un processo di vendita, un software di process mining può accorgersi quando si verifica un problema in qualche step, attraverso le deviazioni rispetto ai parametri di riferimento. Gli algoritmi di intelligenza artificiale ormai implementati in qualsiasi piattaforma di business analytics consentono di correlare una quantità e una varietà di dati con un sistema in grado di migliorare la propria efficienza nel tempo, mediante l’apprendimento continuo.

Volendo provare una sintesi dei vantaggi che le aziende possono oggettivamente ottenere grazie al process mining:

• Insight su base oggettiva, basati sul monitoraggio dei dati reali
• Risparmio di tempi e di costi rispetto ai processi BPM tradizionali
• Maggior precisione nelle fasi di assessment rispetto ai metodi basati sulle interviste
• Risparmio sulle procedure di reingegnerizzazione dei processi
• Integrazione trasparente rispetto ai sistemi esistenti, senza necessità di stravolgimenti tecnologici
• Oggettiva implementazione di strategie basate sul miglioramento continuo, con un approccio realmente data-driven
• Spinta all’innovazione dei processi, grazie ad una miglior visibilità end-to-end su tutta la filiera di business

Ambiti di applicazione del process mining

Il process mining può essere adottato in qualsiasi contesto che preveda l’analisi dei processi aziendali.  Diventa pertanto difficile trovare un settore di attività che possa ritenersi indifferente alla portata dei suoi oggettivi vantaggi. Per quanto riguarda gli ambiti di applicazione, è pertanto opportuno ragionare sui processi, non tanto sugli ambiti di business, dando per scontato che, presto o tardi, saranno tutti interessati dalla sua implementazione, come del resto già avviene per altre discipline della business analytics. Ad oggi il process mining è infatti già ampiamente diffuso in settori quali automotive, aerospace, retail, energy, oil and gas, utility, 

In generale, una corretta e consapevole implementazione del process mining consente di supportare il business nei seguenti frangenti:

• Monitoraggio e miglioramento dell’efficienza dei processi aziendali;
• Razionalizzazione dei processi nelle varie linee di business, a favore di una maggior integrazione tra le attività a livello generale, grazie alla visibilità end-to-end che i software di process mining sono in grado di garantire a tutti gli stakeholder aziendali;
• Trasformazione della supply chain e sviluppo di digital twin;
• Sviluppo di un sistema di performance management su basi moderne ed evolute, a cominciare dalla definizione dei KPI;
• Modernizzazione dell’infrastruttura IT guidata da obiettivi di performance dei processi;
• Sostenibilità generata da una maggior efficienza generale, che consente di raggiungere obiettivi di performance anche di natura non finanziaria;
• Supporto alle operazioni di acquisizione di aziende, nell’ottica della riorganizzazione che inevitabilmente ne consegue;
• Riorganizzazione a seguito dei cambiamenti dei vertici aziendali, quando i nuovi decisori sono inevitabilmente chiamati a garantire un livello di performance superiore rispetto a chi li ha preceduti;
• Integrazione con attività di enterprise architecture e data governance per definire programmi di standardizzazione e armonizzazione delle organizzazioni;
• Verifiche di compliance, in modo da comprendere se l’effettiva esecuzione di un processo risponde alle policy e alle normative vigenti.

Software per process mining

Ne esistono di vari tipi, più o meno completi, più o meno onerosi, ma i software per il process mining condividono il medesimo workflow: analizzare i dati estratti dai log delle applicazioni aziendali per comprendere, a vari livelli, le performance dei processi di business, identificare le inefficienze e proporre soluzioni migliorative.

I software per il process mining risultano particolarmente efficaci in sinergia con altre discipline orientate ai processi, come i già citati business process re-engineering (BPR) e il business process management (bpm), dal momento che li integrano alla perfezione per quanto concerne la parte analitica, processando continuamente milioni di data entry derivanti dai log dei sistemi, identificando le deviazioni rispetto alle condizioni di riferimento.

I vendor attivi nell’ambito del process mining sono in alcuni casi brand noti anche nell’ambito di altre applicazioni della business analytics. Un nome di riferimento è senza dubbio costituito da Celonis, con sede a Monaco di Baviera, dove opera, in qualità di Chief Scientific Advisor, lo stesso Wil van der Alst, ritenuto in maniera pressoché unanime come il fondatore del process mining.

Restando in Germania, la stessa SAP è da diverso tempo un distributore dei suoi prodotti. Celonis vanta una ampia disponibilità di connettori per acquisire varie fonti di dati da CRM e differenti sistemi aziendali, come lo stesso SAP, Salesforce, Oracle, ServiceNow e molti altri. Si tratta di una soluzione fortemente votata all’integrazione, per cui, qualora non dovesse essere disponibile un connettore nativo, è possibile procedere mediante le API.

Celonis viene riconosciuto anche dal magic quadrant di Gartner quale il market leader nel process mining, ma la varietà non manca di certo. Tra le tecnologie di marca europea più diffuse possiamo infatti citare la olandese Fluxicon e la finlandese QPR Software.

Tra gli altri brand attivi nell’ambito del process mining, ben certi di dimenticarne molti, potremmo citare Disco, UiPath (ProcessGold), myInvenio, Lana Labs, StereoLOGIC, Everflow e Minit, peraltro acquisita di recente da Microsoft per ampliare il proprio portfolio nelle applicazioni per la business analytics. Data la gioventù della disciplina, è prevedibile come l’elenco dei software di process mining si arricchisca piuttosto rapidamente nei prossimi anni.