internet datos cloud hitachi vantara gestionar el dato dmaas minería de procesos

La gestión empresarial es uno de los grandes retos a los que se enfrentan año tras año las compañías, donde la planificación de recursos empresariales o la gestión de los clientes conlleva de forma explícita la necesidad de sistemas interconectados sin importar la actividad o el sector en el que se encuentran sumergidas. Así, con el afán de optimizar los procesos operativos y la búsqueda constante de la excelencia operativa, surge una nueva línea de trabajo: asegurar el equilibrio entre (a) introducir, actualizar y/o sustituir sistemas y (b) disminuir costes derivados de los procesos internos.

A diferencia de lo que en primera instancia se podría pensar, la complejidad de los sistemas repercute en la aparición de brechas de ejecución, siendo una de las principales causas de ineficiencia operativa. La minería de procesos es una técnica utilizada para analizar los procesos a través de su comportamiento real, obtenido por las huellas digitales del sistema fuente que lo soporta; por ejemplo, seremos capaces de conocer el ciclo de vida de una factura desde que se registra en SAP hasta que ha sido archivada por el gestor financiero. Por lo que a través de esta metodología los datos de los sistemas fuente se convierten en información estructurada de manera cronológica, permitiendo obtener la historia de cada caso (o factura) que ha iniciado el proceso en cuestión.

La minería de procesos es una técnica utilizada para analizar los procesos a través de su comportamiento real

Esta técnica surgió a finales de los años 90 en las investigaciones de Wil van der Aalst como un nuevo campo que unía la ciencia de datos y ciencia de procesos convirtiendo los datos de eventos en conocimiento relevante sobre el proceso y propuestas de acciones. En aquella época existían limitaciones para la aplicación de la minería debido a la falta de disponibilidad de los datos. Sin embargo, en la actualidad se generan diariamente enormes cantidades de datos y casi todos los procesos dejan sus huellas en diferentes sistemas informáticos como ERP, CRM, etc. Esto genera una gran oportunidad para que metodologías analíticas como la minería de procesos ganen su espacio y el nuevo reto se centre en la generación de información relevante, información de valor para el negocio que permita actuar sobre los propios procesos.

Para tomar decisiones adecuadas es cada vez más indispensable apoyarse en un sólido modelo de datos. A diferencia de otros tipos de técnicas de ciencia de datos, la minería de procesos incorpora a los modelos de datos una información muy importante para la disciplina de Business Process Analysis: el orden. Como en las cadenas de Markov, las actividades desarrolladas durante el proceso no son eventos independientes, sino que dependen del evento predecesor. Por lo tanto, es necesario incorporar tal información en los modelos que estimen el riesgo de retraso en la entrega de un producto al consumidor final. Una importante diferencia de la Minería de Procesos vs. Business intelligence es el alcance de los modelos de datos. Mientras que Business intelligence tiende a utilizar un modelo estático del proceso como punto de partida para calcular los KPIs objetivo y luego analizar su evolución, la minería se centra en definir un modelo que analice el proceso de inicio a fin y en tiempo real para ser capaz no solo de analizar los históricos sino también de influir en los casos en curso.

Algunos proveedores de minería de procesos aportan información relevante y tienen una importante sinergia con otras tecnologías que se encuentran en auge. Por ejemplo, aplicar la minería de procesos puede facilitar la automatización y garantizar mejores resultados a través de identificación de oportunidades de automatización robótica de procesos (RPA). Es decir, con esta metodología se pueden encontrar y cuantificar de manera objetiva cuáles son las actividades que presentan mayores fallos debido a intervención humana o que conllevan un mayor coste y usar esta información para guiar los esfuerzos de automatización, en lugar de solo contar con información subjetiva de un modelo de proceso ideal. Además, puede ser combinada con algoritmos de inteligencia artificial para identificar las causas raíz de los fallos en el proceso y usar tal información para entrenar modelos de Machine Learning que eviten estos fallos en el futuro.

Tabla 1: Informe de Celonis Company
Tabla 1: Informe de Celonis Company

Una buena herramienta de minería, por lo tanto, debe ser una herramienta de visualización más potente que cualquier hoja de cálculo y, a la vez, un entorno más sencillo para los usuarios que cualquier software u otros entornos especializados en ramas de la ciencia de datos. Sin esa sencillez, sería muy difícil involucrar a los usuarios finales obstaculizando la adopción de la solución y la implementación de los cambios. Sin embargo, esta simplicidad debe darse sin olvidarse de las sinergias tecnológicas y las necesidades computacionales. Por esta razón, muchas de las soluciones en el mercado especializadas en minería de proceso desarrollaron su propio lenguaje PQL (Celonis) o PMQL (ProcessMaker). La adaptación de lenguajes de programación a la minería de procesos tiene varios objetivos, principalmente alcanzar un lenguaje intuitivo con bajo coste computacional y que pueda ser utilizado y reutilizado en varios cálculos relevantes sin exigir demasiado nivel de conocimiento en programación (low-code). Facilitando el uso continuo de la solución por los distintos tipos de usuarios.

Por Larissa Soares Dos Reis – Senior Consultant Capgemini Engineering y Lorena Suárez Toribio – Associate Capgemini Engineering

>