Apa Itu Process Mining? Lihat Cara Kerja Berlangsung
Pelajari apa itu process mining, cara kerjanya, tiga jenisnya, contoh penggunaannya, dan cara memulainya.
Apa itu process mining?
Apa itu process mining? Process mining menggunakan data peristiwa dari sistem TI untuk menemukan, menganalisis, dan memperbaiki cara proses berjalan sebenarnya. Dengan menghubungkan aktivitas ke kasus dan stempel waktu, process mining menunjukkan jalur yang dilalui pekerjaan, durasi setiap langkah, dan bagian proses yang berbeda dari harapan.
Log peristiwa mencatat aktivitas, stempel waktu, dan pengenal kasus. Process mining mengelompokkan peristiwa tersebut ke dalam kasus dan merekonstruksi alur proses. Anda dapat menggunakan hasilnya untuk menyelidiki hambatan, pengerjaan ulang, dan kesesuaian dengan proses acuan. Analisis memberikan bukti, lalu tim Anda memutuskan tindakan yang perlu diambil.
Untuk melihat lebih dekat perangkat lunak process mining, baca panduan kami tentang alat process mining.
Wil van der Aalst, pelopor process mining, pernah membandingkannya dengan MRI untuk bisnis karena dapat mengungkap apa yang terjadi di balik layar. Gambaran ini dapat mendukung perbaikan proses dan transformasi digital. Lihat panduan strategis kami untuk perbaikan proses berbasis data.
Bayangkan sebuah pesanan pelanggan yang bergerak dari penerimaan dan persetujuan hingga pengiriman. Setiap langkah mungkin meninggalkan catatan digital. Process mining menghubungkan catatan tersebut untuk menunjukkan jalur yang dilalui setiap pesanan, termasuk jalan memutar dan pengecualian. Anda dapat menelaah jalur yang tercatat dalam data, bukan hanya mengandalkan wawancara atau asumsi.
Hasilnya bergantung pada kualitas data peristiwa dan konteks di baliknya. Peta proses dapat menunjukkan jalur yang direncanakan, sedangkan process mining membantu Anda melihat apa yang tercatat benar-benar terjadi.
Bagaimana cara kerja process mining?
Process mining dimulai dengan data peristiwa dari sistem TI Anda. Setiap peristiwa biasanya memerlukan tiga kolom:
- ID kasus: Identitas untuk satu instans proses, seperti pesanan atau tiket dukungan.
- Aktivitas: Langkah yang dilakukan.
- Timestamp: Waktu saat langkah tersebut terjadi.
Perangkat lunak mengelompokkan peristiwa berdasarkan Case ID dan mengurutkannya menurut stempel waktu. Setelah itu, perangkat lunak merekonstruksi jalur yang dilalui setiap kasus dan menyajikannya sebagai model proses. Anda dapat membandingkan jalur, menelaah durasi, dan mencari pola seperti langkah berulang atau waktu tunggu yang lama.
Kualitas hasil bergantung pada data. Stempel waktu yang hilang, nama aktivitas yang tidak konsisten, atau pengenal kasus yang keliru dapat mengganggu analisis. Pelajari cara menemukan data proses dan format data yang didukung.
Tiga jenis process mining
Tiga jenis process mining menjawab pertanyaan yang berbeda:
-
Process Discovery membuat model proses dari data log peristiwa. Metode ini membantu Anda melihat jalur yang benar-benar dilalui kasus, termasuk variasi yang mungkin belum didokumentasikan.
-
Conformance Checking membandingkan perilaku proses yang sebenarnya dengan model acuan. Metode ini membantu Anda menemukan kasus yang mengikuti, melewati, atau menyimpang dari langkah yang diharapkan.
-
Process Enhancement menambahkan informasi dari log peristiwa ke model proses yang sudah ada. Misalnya, Anda dapat menambahkan ukuran kinerja seperti waktu tunggu atau durasi aktivitas untuk memahami kinerja proses.
Proyek sering dimulai dengan discovery, lalu menggunakan conformance checking untuk menyelidiki perbedaan dari proses acuan. Enhancement dapat menambahkan konteks kinerja ke model. Pilih pendekatan yang sesuai dengan pertanyaan yang ingin Anda jawab.
Siapa pun dapat menggunakan process mining
Anda tidak perlu menjadi ilmuwan data untuk mulai menelaah data proses. Analis, pemilik proses, tim operasional, dan tim TI dapat bekerja sama untuk mengajukan pertanyaan, menyiapkan log peristiwa, dan meninjau hasil analisis.
Langkah awal yang praktis:
- Pilih satu proses dan pertanyaan yang spesifik.
- Temukan data sistem yang mencatat aktivitas proses tersebut.
- Siapkan log peristiwa yang memuat Case ID, nama aktivitas, dan stempel waktu.
- Tinjau alur yang ditemukan dan selidiki jalur yang penting.
- Validasi temuan bersama orang-orang yang memahami pekerjaan tersebut.
5 langkah process mining
Kumpulkan data
Kumpulkan data peristiwa dari sistem Anda, misalnya catatan setiap tahap dalam proses order-to-cash. Untuk mulai, file Excel pun bisa digunakan.
Temukan proses
Gunakan software process mining untuk menghubungkan peristiwa berdasarkan Case ID dan waktu. Lalu, tinjau alur proses yang terlihat dari data.
Periksa kesesuaian
Bandingkan proses yang ditemukan dengan model acuan, seperti model BPMN, untuk menyelidiki perbedaannya.
Analisis temuan
Gunakan dasbor proses untuk meninjau hambatan, pekerjaan ulang, dan inefisiensi. Setelah itu, tentukan hal yang perlu diselidiki atau diubah.
Pantau perubahan
Tinjau kembali proses setelah perubahan untuk melihat pergeseran kinerja dan jalur prosesnya.
Buka panduan memulai untuk menyiapkan analisis pertama Anda.
Process mining dan pemetaan proses
Process mining dan pemetaan proses menjawab pertanyaan yang berkaitan, tetapi berbeda. Process mining menggunakan data peristiwa untuk menunjukkan bagaimana proses berjalan. Pemetaan proses menggunakan pengetahuan orang-orang dan metode desain proses untuk mendokumentasikan atau merencanakan cara kerja yang diharapkan.
| Fitur | Process mining | Pemetaan proses |
|---|---|---|
| Sumber data | Data log peristiwa dari sistem TI | Wawancara, lokakarya, dan dokumentasi |
| Hasil | Gambaran perilaku proses berdasarkan peristiwa yang tercatat | Proses yang didokumentasikan atau dirancang |
| Upaya | Bergantung pada akses dan persiapan data | Bergantung pada cakupan dan masukan pemangku kepentingan |
| Cakupan | Menampilkan jalur yang tercatat dalam log peristiwa | Bergantung pada hal yang didokumentasikan orang-orang |
| Paling sesuai untuk | Memahami perilaku proses yang sebenarnya | Merancang atau mendokumentasikan proses |
Kedua pendekatan ini saling melengkapi. Gunakan process mining untuk menyelidiki proses yang terlihat dari data, lalu gunakan pemetaan proses atau pemodelan BPMN untuk mendokumentasikan atau merancang perubahan. ProcessMind menyediakan process mining dan pemetaan proses dalam satu platform. Untuk mengetahui bagaimana keduanya saling mendukung, baca tentang manfaat gabungan pemodelan proses dan process mining.
Cara kerja algoritma process mining
Algoritma process mining mengubah data peristiwa menjadi model proses. Sejumlah keluarga algoritma dijelaskan dalam penelitian yang telah dipublikasikan: algoritma alpha menyimpulkan hubungan antaraktivitas dan menjadi metode klasik untuk memulai; heuristic miner dapat menangani log yang mengandung gangguan dan tidak lengkap; fuzzy miner menangani perilaku yang tidak terstruktur; sedangkan inductive miner membangun pohon proses yang dijamin konsisten. Setiap algoritma dirancang untuk jenis log tertentu dan menghasilkan model sesuai definisinya.
ProcessMind menyediakan tiga penambang. Pilih salah satunya di dialog Temukan model, bersama kebijakan gateway yang menentukan seberapa ketat hasil model yang digambar, seperti dijelaskan dalam dokumentasi process mining.
| Penambang | Hasil | Gunakan saat |
|---|---|---|
| Penambang Directly-Followed-By | Model datar yang menghubungkan setiap aktivitas dengan aktivitas berikutnya, tanpa Subprocess bertingkat | Anda ingin melihat log apa adanya atau memeriksa data yang sebenarnya tercatat |
| Simple Miner | Bagian graf yang padat diurai secara rekursif menjadi segmen bertingkat | Anda menginginkan model ringkas yang muat di satu layar |
| Penambang AI | Penguraian berbasis AI yang diperkaya, dengan bagian paralel yang terdeteksi dan digambarkan sebagai alur paralel | Log berantakan atau tidak lengkap, atau proses memiliki pekerjaan paralel yang tidak terlihat dalam model datar |
AI Miner kami bukan implementasi ulang algoritma yang telah dipublikasikan. AI Miner membaca data pengayaan bersama log peristiwa, mendeteksi bagian paralel, lalu menguraikan grafik secara hierarkis. Dengan begitu, model mempertahankan struktur yang tersirat dalam log, bukan meratakannya. Di sinilah AI Miner berguna: definisi algoritma yang dipublikasikan mengasumsikan log yang bersih dan lengkap, sedangkan kebanyakan organisasi bekerja dengan data ekspor yang tidak memenuhi kedua syarat itu. Kami membangun AI Miner agar berguna dengan data yang tersedia, bukan hanya dengan data ideal yang disyaratkan definisi algoritma. AI Miner juga satu-satunya dari tiga miner yang memerlukan data pengayaan. Jadi, untuk log baru, mulai dan bandingkan hasilnya dengan Directly-Followed-By miner.
Setelah miner membentuk struktur proses, algoritma tata letak menyusunnya agar alurnya mudah dibaca. Clarity Engine dari ProcessMind menangani tahap ini.
Mengapa process mining penting
Process mining membantu Anda meninjau cara kerja proses berdasarkan kasus yang tercatat, bukan hanya mengandalkan deskripsi proses atau beberapa contoh. Anda dapat menggunakannya untuk:
- Melihat variasi proses: Bandingkan jalur yang dilalui setiap kasus, lalu kenali jalur yang umum atau tidak biasa.
- Menyelidiki keterlambatan: Periksa bagian tempat kasus tertahan dan aktivitas yang memakan waktu lebih lama.
- Menemukan pekerjaan ulang: Cari aktivitas berulang dan putaran yang mungkin menunjukkan kesalahan atau persyaratan yang kurang jelas.
- Memeriksa kesesuaian: Bandingkan perilaku aktual dengan proses acuan.
- Melacak kinerja: Gunakan dasbor dan KPI untuk meninjau ukuran kinerja proses dari waktu ke waktu.
Temuan ini membantu Anda mengajukan pertanyaan yang lebih tepat. Namun, temuan tersebut tidak membuktikan penyebab keterlambatan atau penyimpangan. Bicaralah dengan orang-orang yang terlibat dan periksa konteksnya sebelum memutuskan perubahan.
Lihat cara dasbor proses dan KPI membantu Anda meninjau kinerja proses.
Sisi baik, buruk, dan risikonya
Sisi baik
Process mining memberikan gambaran objektif tentang pekerjaan tanpa perlu mengandalkan ingatan seseorang:
- Menunjukkan perilaku di semua kasus dalam log, bukan hanya beberapa kasus yang diingat orang.
- Mempercepat penelusuran masalah karena alur, keterlambatan, dan pekerjaan ulang ditampilkan dengan jelas.
- Dapat digunakan pada proses apa pun yang meninggalkan data peristiwa terstruktur di sistem TI.
- Dasbor proses menyajikan bukti ini kepada tim bisnis, bukan hanya analis.
Sisi buruk
Kualitas bukti bergantung pada log, dan menyiapkan log membutuhkan upaya:
- Data berkualitas buruk menghasilkan jawaban yang keliru, tetapi tampak meyakinkan. Keandalan analisis bergantung pada kualitas log peristiwa.
- Menyiapkan dan memeriksa data sering kali menjadi bagian proyek yang paling berat.
- Process mining tidak memperbaiki proses. Hasilnya menunjukkan hal yang perlu diselidiki, sedangkan keputusan dan perubahan tetap dilakukan oleh orang-orang.
- Model yang rumit sulit dibaca. Mulailah dengan satu pertanyaan yang jelas dan jalur proses yang relevan.
Risikonya
Jika digunakan tanpa pertimbangan, bukti yang sama bisa menimbulkan dampak buruk:
- Menggunakan data proses untuk menyalahkan individu akan menimbulkan rasa takut dan penolakan. Fokuskan perhatian pada kondisi proses.
- Salah membaca data dapat menghasilkan kesimpulan keliru. Validasi temuan dengan orang-orang yang memahami pekerjaan tersebut.
- Beberapa alat memerlukan dukungan dan investasi TI yang besar. Periksa biaya penyiapan dan kebutuhan keterampilan sebelum berkomitmen.
- Tanpa pertanyaan yang jelas, Anda bisa mendapat lebih banyak data daripada wawasan, tanpa tahu keputusan apa yang perlu diambil.
Process mining bisa terasa seperti sihir, sampai Anda menyadari batasnya. Process mining memberi Anda wawasan yang sebelumnya tak terlihat, tetapi bagian tersulit tetap ada di tangan Anda: mengubah wawasan menjadi tindakan. Analisis baru berarti jika ada yang menindaklanjutinya.
Cara menghindari kesalahan dalam process mining
Process mining paling bermanfaat jika Anda memiliki pertanyaan yang jelas, data yang andal, dan orang-orang yang mampu menafsirkan hasilnya. Kesalahan berikut dapat merusak kepercayaan terhadap proyek.
Jangan mulai tanpa tujuan yang jelas
Pencarian tanpa arah akan menghasilkan analisis tanpa keputusan. Mulailah dengan pertanyaan seperti “Mengapa persetujuan faktur memakan waktu lebih dari sepuluh hari?” atau “Di bagian mana pelanggan mengalami keterlambatan saat proses orientasi?” Pertanyaan yang spesifik membantu menentukan proses, data, dan ukuran yang perlu diperiksa.
Tujuan yang jelas mencakup tiga hal: proses yang ditinjau, periode analisis, dan keputusan yang akan didukung oleh analisis. Tuliskan tujuan sebelum memuat data apa pun, lalu sepakati dengan pemilik proses. Kesepakatan ini mencegah uji coba meluas ke mana-mana tanpa menghasilkan jawaban.
Jika belum tahu harus mulai dari mana, panduan perbaikan proses dapat membantu menentukan cakupan. Panduan ini menyebutkan proses, sistem, kolom yang perlu diekspor, dan aktivitas yang perlu dicatat. Dengan begitu, Anda bisa mulai dengan pertanyaan yang didukung data untuk menjawabnya.
Jangan berharap alat akan memperbaiki proses
Process mining meninjau perilaku proses, bukan menyelesaikan masalah secara otomatis. Hasilnya mungkin menunjukkan bahwa persetujuan terlalu lama, tetapi Anda tetap perlu mencari penyebab dan menentukan perubahan. Tinjau temuan, diskusikan dengan orang-orang yang terlibat, lalu ukur kembali proses setelah perubahan.
Jangan bekerja sendiri
Data perlu dipahami dalam konteksnya. Jika Anda menganalisis proses sendiri lalu mengirimkan laporan, Anda mungkin tidak tahu alasan adanya jalur lain atau apakah jalur tersebut memenuhi kebutuhan bisnis yang sah. Libatkan orang-orang yang mengelola proses, serta tim TI jika Anda perlu bantuan untuk mengakses atau memvalidasi data. Pengetahuan mereka menjelaskan hal-hal yang bisa dan tidak bisa ditunjukkan oleh log.
Libatkan orang-orang sejak awal, bukan hanya saat meninjau hasil, dan jelaskan tujuan analisis. Orang yang mengetahui pertanyaan sejak awal dapat menjelaskan jalur lain, solusi sementara, atau langkah yang hanya dilakukan dalam praktik.
Orang-orang yang menjalankan pekerjaan juga tahu langkah mana yang tidak meninggalkan jejak di sistem. Kesenjangan ini membuat proses yang ditemukan tampak tidak lengkap. Di ProcessMind, Anda dapat menandainya sebagai alur data agar tetap terlihat pada model, tanpa mengada-adakan peristiwa yang tidak pernah tercatat.
Jangan anggap ini proyek sekali jalan
Proses yang sudah diperbaiki pun bisa berubah lagi. Tinjau proses setelah perubahan dan bandingkan hasil dari waktu ke waktu untuk melihat pergeseran perilaku. Pemantauan membantu mengubah temuan menjadi hasil nyata.
Jangan gunakan temuan untuk menyalahkan orang
Process mining menjelaskan bagaimana pekerjaan berlangsung, bukan siapa yang melakukan kesalahan. Jelaskan tujuan analisis dan libatkan pemilik proses serta staf sejak awal. Jika data menunjukkan satu kelompok membutuhkan waktu lebih lama, cari tahu kondisi yang menyebabkan perbedaan tersebut: beban kerja, kendala sistem, atau langkah yang perlu diperjelas. Penyebabnya biasanya terkait struktur proses, dan orang-orang yang menjalankan pekerjaan sering kali dapat menjelaskan solusinya.
Jangan gunakan data berkualitas buruk
Analisis bergantung pada log peristiwa. Stempel waktu yang hilang, nama aktivitas yang tidak konsisten, atau Case ID yang keliru dapat membuat proses terlihat berbeda dari kenyataannya. Periksa arti setiap kolom, pastikan peristiwa terkait dengan kasus yang benar, dan tinjau sampel sebelum menganalisis seluruh kumpulan data. Cara mendapatkan data proses menjelaskan kolom yang Anda perlukan.
Cara memulai
Uji coba dengan cakupan yang terarah membantu Anda memahami manfaat process mining tanpa harus menganalisis semuanya sekaligus.
Jelaskan hal yang dapat ditunjukkan process mining dan sepakati hal yang ingin dipelajari. Kumpulkan kelompok kecil yang memahami proses, data, dan konteks bisnis.
Mulailah dengan pertanyaan yang penting bagi tim, misalnya di mana keterlambatan terjadi atau mengapa kasus kembali ke tahap sebelumnya.
Pilih proses yang cakupannya jelas dan datanya mudah diakses. Proses yang diketahui sering mengalami keterlambatan atau pekerjaan berulang bisa menjadi titik awal yang baik.
Batasi uji coba pada unit bisnis, lini produk, atau area lain yang sudah ditentukan. Cakupan yang terarah memudahkan Anda memvalidasi temuan.
Kumpulkan data yang diperlukan untuk uji coba. Anda bisa mulai dengan spreadsheet atau data ekspor CSV. Libatkan tim TI jika perlu bantuan untuk mengakses atau menggabungkan data.
Pastikan setiap peristiwa memiliki Case ID, nama aktivitas, dan stempel waktu. Periksa konsistensi kolom dan pastikan data tersebut mewakili proses yang ingin Anda pelajari.
Muat log peristiwa dan tinjau model proses. Pastikan jumlah kasus dan rentang waktunya masuk akal. Jika tidak, periksa kembali persiapan data.
Tinjau jalur utama, variasi, dan durasi aktivitas. Gunakan filter untuk berfokus pada kasus yang berkaitan dengan pertanyaan Anda, lalu catat pola yang perlu diselidiki lebih lanjut.
Tinjau hasil bersama analis, pemilik proses, dan staf yang memahami pekerjaan. Tanyakan apakah pola yang terlihat sesuai dengan pengalaman mereka dan apa yang mungkin menjadi penyebabnya.
Sepakati masalah yang perlu diselidiki atau ditangani, lalu tentukan cara mengukur perubahan.
Setelah tim Anda melakukan perubahan, analisis kembali prosesnya. Bandingkan hasil dengan kondisi awal untuk melihat perubahannya.
Gunakan hasil pembelajaran untuk menyempurnakan pertanyaan berikutnya atau memperluas analisis ke proses lain.
Peran ProcessMind
Contoh penggunaan process mining
Anda dapat menggunakan process mining jika aktivitas dalam proses meninggalkan catatan digital yang bisa dihubungkan ke kasus. Contoh yang umum antara lain:
- Order-to-Cash (O2C): Tinjau siklus pesanan, dari pesanan pelanggan hingga pembayaran, lalu selidiki keterlambatan pemenuhan pesanan, pembuatan faktur, atau penagihan.
- Procure-to-Pay (P2P): Tinjau proses pengadaan dari permintaan hingga pembayaran pemasok, lalu cari keterlambatan persetujuan atau pekerjaan berulang.
- IT Service Management (ITSM): Analisis tiket service desk untuk menemukan jalur penyelesaian yang lambat, eskalasi, dan pelanggaran SLA.
- Orientasi pelanggan: Tinjau perjalanan pelanggan baru selama proses orientasi dan cari tahu di mana keterlambatan atau pelanggan yang berhenti terjadi. Manajemen pesanan membahas hal serupa dari sisi pemenuhan pesanan.
- Pemrosesan klaim: Tinjau alur klaim asuransi atau layanan kesehatan selama proses pemeriksaan dan penanganan.
- Manufaktur dan rantai pasok: Tinjau proses produksi dan rantai pasok untuk menyelidiki keterlambatan, masalah kualitas, atau keterbatasan sumber daya.
Data peristiwa dapat berasal dari sistem ERP seperti SAP, Oracle, dan Microsoft Dynamics; platform CRM seperti Salesforce dan HubSpot; perangkat helpdesk seperti ServiceNow dan Zendesk; atau aplikasi khusus. Kesesuaian data suatu sistem bergantung pada kemampuan Anda mengidentifikasi kasus, aktivitas, dan stempel waktu.
Jelajahi pustaka berdasarkan industri, departemen, atau peran transformasi. Anda juga bisa memulai dengan panduan perbaikan proses yang sesuai dengan proses dan sistem Anda. Setiap panduan menyebutkan kolom yang perlu diekspor, aktivitas yang perlu dicatat, dan templat data yang perlu diisi dari sistem sumber.
Jelajahi penerapan process mining di berbagai tim dan industri.
Process mining, data mining, dan machine learning
Process mining, data mining, dan machine learning menganalisis data dengan cara yang berbeda. Process mining berfokus pada pergerakan kasus melalui aktivitas dari waktu ke waktu. Data mining mencari pola dalam kumpulan data. Machine learning menggunakan data untuk membuat prediksi atau klasifikasi.
| Fokus | Process mining | Data mining | Machine learning |
|---|---|---|---|
| Pertanyaan yang dijawab | Bagaimana proses ini berjalan? | Pola apa yang ada dalam kumpulan data ini? | Apa yang mungkin terjadi selanjutnya, atau kasus apakah ini? |
| Unit analisis | Kasus yang bergerak melalui aktivitas dari waktu ke waktu | Catatan, baris, dan fitur | Masukan yang dipetakan ke keluaran prediksi |
| Masukan | Log peristiwa berisi ID kasus, aktivitas, dan stempel waktu | Kumpulan data yang sudah disiapkan | Data pelatihan, berlabel atau tanpa label |
| Keluaran | Model proses, variasi, kesesuaian, dan hambatan | Pola, segmen, atau klaster | Prediksi, skor, atau klasifikasi |
| Penggunaan umum | Menemukan titik tunggu pesanan dan melihat alurnya | Menemukan pola dalam catatan pelanggan | Memprediksi pengiriman yang mungkin terlambat |
Perbedaan utamanya terletak pada pertanyaan yang dijawab setiap metode. Process mining memperhatikan urutan aktivitas. Metode ini dapat menunjukkan bahwa suatu kasus tertahan saat serah terima atau mengulangi aktivitas. Data mining dapat menemukan pola di antara catatan, sedangkan machine learning dapat memperkirakan kemungkinan suatu hasil.
Metode-metode ini dapat saling melengkapi. Gunakan process mining untuk memahami alur dan menemukan variasi, lalu terapkan metode analisis lain untuk menyelidiki pola atau memprediksi hasil. Prediksi tidak dengan sendirinya menjelaskan atau mengubah proses.
Untuk mengetahui istilah lain dalam analisis proses, lihat glosarium ProcessMind.
Langkah selanjutnya
Cara tercepat memahami process mining adalah melihat hasilnya pada log peristiwa yang Anda kenal. Unggah file ekspor atau mulai dari contoh proses agar definisinya terasa lebih nyata.
