что такое майнинг процесс

Все о Process Mining от ProcessMi

Все о технологии Process Mining — кейсы, термины, решения и аналитика. Российский и зарубежный опыт от группы экспертов ProcessMi

Что такое process mining (процесс майнинг)? Подробное руководство

Обнаружить недостатки в деятельности компании – не самая простая задача, особенно, когда речь идет о крупном предприятии, где работают свыше 500 человек и ежедневно участвуют в выполнении большого количества операций в рамках бизнес-процессов. На эффективность и производительность могут влиять десятки факторов, обнаружить которые без применения технологий не представляется возможным. Применение process mining как инструмент для поиска “узких мест”, ошибок и намеренных нарушений регламента в рамках процесса дает отличные результаты.

Что такое process mining?

Process mining – технология, позволяющая детально понять суть процессов компании. C помощью специализированного ПО, интегрированного в ИТ-системы, process mining отражает, каким образом протекают процессы в действительности. ПО структурирует и визуализирует данные, что дает полное представление о недостатках в процессах. В результате предприятия могут точнее сфокусироваться на совершенствовании своей деятельности, ориентируясь на достоверную информацию.

Как это работает?

Инструменты process mining обнаруживают фактические модели процессов, опираясь на «сырые» данные из журналов событий. Иными словами, технология способна собрать информацию из разных ИС, используемых на предприятии (1С, IP-телефония, кадровые системы), и выстроить точную карту любого процесса.

Как работают инструменты process mining шаг за шагом:

Главные преимущества технологии process mining?

Снижение затрат. Автоматизируя процессы и устраняя ненужные шаги, компании могут снизить затраты. QPR, компания разработчик одноименной системы класса process mining, поделилась информацией: их клиенты Metsä Board снизили количество ошибок в счетах на оплату на 80% после внедрения технологии process mining.

Улучшение качества обслуживания клиентов. Благодаря выявлению “узких мест”, направлений совершенствования и оптимизации различных процессов, общее время производственного цикла сокращается. Это позволяет ускорить обслуживание клиентов и улучшить качество оказания услуг в целом. В результате растет удовлетворенность клиентов, а это положительно скажется на доходах и потребительской лояльности.

Преимущества соответствий требованиям. Хотя аудит – это трудоемкий и длительный процесс, быстрый анализ с помощью инструментов process mining может сократить его. Кроме того, PM может обнаруживать несоответствующие требованиям процессы и уведомлять компании о таких вопросах в режиме реального времени.

Каким образом process mining способствует автоматизации и RPA?

Process mining обеспечивает наглядное, основанное на данных представление процессов. Это позволяет компаниям:

Команды, ответственные за RPA, как и любая инициативная группа по автоматизации, должны четко понимать суть автоматизируемого процесса. Обычно это достигается путем наблюдения за работой сотрудников и проведения опросов. Но эти методы дают лишь поверхностное представление и отнимают много времени как у специалистов в области автоматизации, так и у сотрудников. Кроме того, при опросе сотрудники не могут вспомнить все до мельчайших подробностей. Программное обеспечение для интеллектуального анализа предоставляет детальный обзор всех этапов процесса и позволяет предпринимать необходимые шаги на основе полученных данных. После завершения автоматизации инструменты process mining могут осуществлять мониторинг производительности, чтобы оценить степень улучшений и обеспечить корректную работу автоматизированного процесса. QPR заявляет, что process mining может повысить темпы автоматизации процессов на 50%.

На что следует обратить внимание при выборе поставщика технологии process mining?

На сегодняшний день инструменты process mining могут работать с различными системами (ERP-системы, CRM-приложения и т.д.) и могут быть интегрированы в любую существующую ИТ-инфраструктуру. При выборе поставщика учитывайте следующие возможности:

Ниже представлены компании разработчики систем класса process mining:

Сейчас, когда мировая экономика переживает непростые времена из-за пандемии коронавируса, компании более активно включились в процесс цифровой трансформации для того, чтобы отстоять свои позиции на рынке. Process mining, по мнению экспертов, станет более востребован в вопросах оптимизации бизнес-процессов для организаций разных форм собственности и сфер экономической деятельности.

Источник

Process Mining: знакомство

В этой статье я постараюсь приоткрыть завесу над интересной технологией из области управления бизнес-процессами ( BPM). Интеллектуальный анализ процессов ( Process Mining) фокусируется на обнаружении, анализе и оптимизации бизнес-процессов на основе данных из журналов событий (англ. event logs), представляя недостающее звено между классическим анализом бизнес-процессов с использованием их моделей и интеллектуальным анализом данных ( Data Mining).

Рисунок 1. Позиционирование Process Mining.

Далее мы разовьем тему позиционирования, коснемся вариантов использования, поговорим об исходных данных и рассмотрим различные типы интеллектуального анализа процессов.

Позиционирование

Интеллектуальный анализ процессов использует данные для анализа бизнес-процессов, пренебрегая анализом самих данных. Другими словами, Process Mining, в отличие от Data Mining, не интересуется низкоуровневыми закономерностями в исходных данных и не пытается принимать решения на их основе, но ставит задачей оптимизацию бизнес-процессов (в особенности сквозных), вытекающих из исходных данных.

Варианты использования

В таблице ниже указаны некоторые варианты использования интеллектуального анализа процессов, а также связанные с ними вопросы, разбитые по вышеуказанным группам.

Исходные данные

Часто отправной точкой для интеллектуального анализа процессов являются данные из журналов событий. Рассмотрим подходящий нам журнал. Каждая строка в таком журнале соответствует отдельному событию. В свою очередь, каждое событие несет в себе информацию о породившем его случае, выполненной в его рамках деятельности и времени его регистрации. Подобные журналы событий можно рассматривать как совокупности случаев, а отдельные случаи — как последовательности ссылающихся на них событий.

Конечно, выбор указанных выше атрибутов зависит от целей анализа. Например (смотрим на рисунок 2), если нас интересует процесс, описывающий порядок получения пациентами надлежащего лечения, то в качестве идентификаторов случаев используем пациентов (столбец patient), деятельностями называем получаемые пациентами процедуры (столбец activity), а ресурсами обозначаем выполняющих данные процедуры врачей (столбец doctor). Если же нам интересен другой процесс, описывающий порядок выполнения врачами процедур, то идентификаторами событий будут сами врачи (столбец doctor), деятельностями — выполняемые данными врачами процедуры (столбец activity), а ресурсами — внимание, также станут врачи (столбец doctor).

Типы Process Mining

Интеллектуальный анализ процессов фокусируется на отношениях между моделями бизнес-процессов и данными о событиях. Выделяют три типа подобных отношений, которые и определяют типы анализа.

Play-Out

Начинаем с готовой модели процесса. Далее симулируем различные сценарии выполнения процесса (согласно модели) для наполнения журнала событий данными о регистрируемых при симуляции событиях.

Рисунок 3. Пример Play-Out.

На рисунке 3 показан пример симуляции по готовой модели рабочего процесса (англ. workflow). Модель процесса выполнена с использованием упрощенной нотации BPMN. Красным показаны шаги на одном из возможных путей выполнения процесса, а журнал внизу наполнен данными о событиях в порядке их регистрации при прохождении данного пути.

Play-Out применяется для проверки разработанных моделей процессов на соответствие ожидаемым данным (последовательностям событий) от их выполнения.

Play-In

Начинаем с готовых данных в журнале событий. Далее получаем модель процесса, обеспечивающего выполнение представленных в журнале последовательностей событий (обучаем модель процесса на основе данных).

Рисунок 4. Пример Play-In.

На рисунке 4 показан пример получения модели процесса по готовым последовательностям событий (указаны красным). Если приглядеться, то можно заметить, что все последовательности событий на рисунке начинаются с шага a и заканчиваются шагом g или h. Результирующая модель процесса в точности соответствует подмеченным особенностям, что иллюстрирует основной принцип ее вывода из данных.

Play-In полезен при необходимости формального описания процессов, генерирующих известные данные.

Replay

Одновременно используем модель процесса (возможно, полученную при помощи Play-In) и данные в журнале событий (возможно, полученные при помощи Play-Out) для воспроизведения реальных последовательностей событий согласно модели.

Рисунок 5. Пример Replay.

На рисунке 5 представлен пример попытки воспроизведения имеющейся последовательности событий согласно готовой модели процесса. Попытка закончилась неудачей по причине того, что модель требует прохождения шага d прежде, чем будет открыт переход к шагу e (подробнее разобраться с причинами неудачи поможет изучение шлюзов (англ. gateways) нотации BPMN).

Replay позволяет находить отклонения моделей от реальных процессов, но также может использоваться и для анализа производительности процессов — стоит при воспроизведении начать отмечать время регистрации событий, как станут видны места задержек и скоростные участки на путях выполнения процессов.

Дополнительно

Для тех, кто желает самостоятельно попробовать применить полученные знания на практике, спешу сообщить об инструменте, который позволит воплотить ваши смелые начинания в жизнь. ProM — это свободный фреймворк, включающий все необходимое для выполнения интеллектуального анализа процессов. Стабильная версия ProM доступна для скачивания под Windows и под другие ОС. Общая информация (включая примеры исходных данных, руководства и упражнения) расположена на сайте ProM Tools.

Заключение

Существующий разрыв между анализом моделей бизнес-процессов и данных затрудняет поиск решений множества интересных и сложных задач современного мира, где значение данных давно сравнивается со значением нефти (см. Data is the new oil). Process Mining призван ликвидировать данный разрыв, поднимая анализ бизнес-процессов на новый уровень.

Благодарю за внимание и категорически рекомендую продолжить изучение темы самостоятельно! Отличным началом станет вышеупомянутый онлайн курс Process Mining: Data Science in Action.

Источник

Как работает майнинг Bitcoin: самое простое объяснение

13 мая курс ВТС обвалился, когда Илон Маск объявил, что Tesla больше не принимает Bitcoin: мол, майнинг неэкологичен. Почему майнинг Bitcoin потребляет столько энергии — и как он вообще работает? Объясняем простым языком.

Каждые 10 минут — по загадке

Возможно, вы удивитесь, но в основе процесса майнинга биткоина лежит разгадывание загадок. Задачи задает система, а решают их майнеры — вернее, мощные вычислительные устройства.

Мы не будем вдаваться в подробности того, как устроены эти загадки: скажем лишь, что майнерам нужно найти число, удовлетворяющее определенным требованиям. Причем просто решить задачу, как уравнение, нельзя: нужно перебрать миллионы потенциальных решений и транслировать их другим майнерам, чтобы они проверили их на правильность.

Загадочный создатель Bitcoin Сатоши Накамото наладил систему таким образом, что решение криптографической задачи требует огромных вычислительных усилий, зато проверка на правильность совершается очень просто. Когда все майнеры в сети согласятся, что найденное число — правильное, новый блок присоединяется к сети — а система тут же выдает новую загадку. В среднем это происходит каждые 10 минут.

Данный алгоритм называется Proof-of-Work (PoW), то есть «доказательство работы». Понимать это можно так: транслируя потенциальные решения в сеть, майнер доказывает, что совершил вычислительную работу.

Тот, кто первым найдет заветное число — вернее, тот, чье решение первым признают правильным остальные, — получает в награду биткоины. В 2021 г. награда за блок составляет 6,25 ВТС.

Три загадочных слова: хешрейт, сложность и асики

Заработок майнера во многом зависит от производительности оборудования. Чем больше решений в секунду выдает машина, тем больше вероятность, что одно из них окажется правильным. Это количество потенциальных решений (хешей) за единицу времени называется хешрейт и отражает вычислительную мощность устройства. А хешрейт сети — это суммарная мощность всех одновременно работающих майнеров (кстати, майнер — это и машина, и человек, занимающийся майнингом).

На протяжении последних 10 лет хешрейт сети Bitcoin постепенно рос. Казалось бы: если все майнеры трудятся над одной и той же задачей, то с ростом их числа (т. е. суммарного хешрейта) нужно будет все меньше времени, чтобы найти решение. А вот и нет: сложность задач тоже повышается, так что в среднем на решение нужны все те же 10 минут. И наоборот: если много майнеров вдруг покинут сеть, сложность вскоре автоматически упадет.

На заре развития Bitcoin сложность была такой низкой, что майнить ВТС можно было на обычном компьютере. Теперь же для этого используются специальные устройства: ASIC, или Application Specific Integrated Circuit, что означает «интегральная схема особого назначения». Это микрочип, способный выполнять только один вид вычислений — зато крайне эффективно.

Проблема энергопотребления

Хешрейт современных «асиков» исчисляется в терахешах в секунду, то есть в триллионах хешей (решений). Для такой мощности эти устройства очень эффективны: один ASIC потребляет в разы меньше электричества, чем набор видеокарт (GPU) с таким же суммарным хешрейтом.

Проблему можно обозначить так: сеть Bitcoin хорошо защищена от атак и манипуляций потому, что все майнеры должны прийти к консенсусу и совершить работу. Однако тот факт, что все они соревнуются в решении одной задачи, приводит к гигантской затрате ресурсов.

В этом парадокс алгоритма Proof-of-Work, и майнинг Bitcoin останется затратным до тех пор, пока не будет намайнена последняя монета — предположительно в 2140 г.

Стоит ли игра свеч?

Напоследок затронем интереснейшую тему доходности майнинга. С точки зрения обычных пользователей, главная функция майнеров — подтверждать транзакции (за что они получают комиссию), объединять их в блоки и присоединять к цепочке.

11 месяцев, чтобы отбить первоначальную инвестицию — это много. Пожалуй, самый ценный вывод для обычного пользователя заключается в том, что майнинг — вовсе не легкий способ разбогатеть, каким его часто изображают. Напротив, это очень затратный вид деятельности, в котором профит никогда не гарантирован.

В качестве альтернативы майнингу ВТС на асиках часто предлагается майнинг других PoW-криптовалют на GPU (видеокартах). Действительно, сложность добычи таких монет, как Monero (XMR) или Ravencoin (RVN), во много раз ниже, чем у Bitcoin. Но не все так радужно с GPU-майнингом:

Информация о криптовалютах в интернете зачастую некорректна или слишком запутана. Чтобы пользователям было легче сделать первые шаги, портал MyFin и регулируемая криптобиржа FREE2EX запустили данную серию статей, которые помогут новичкам разобраться, где в криптоиндустрии правда, а где — просто громкие заявления. Не пропустите следующую публикацию!

Деятельность, связанная со сделками (операциями) с токенами, связана с высоким уровнем риска полной потери денежных средств и иных объектов гражданских прав (инвестиций), переданных в обмен на токены. Правовое регулирование сделок с токенами не имеет единообразного подхода, и последствия совершения таких сделок могут иметь разную правовую оценку в различных государствах.

Данная статья не является консультацией или руководством, а создана в качестве информационно-просветительского материала.

_{*Партнерский материал. ООО «Пиксель Интернет» УНП: 590995582}

Источник

Майнинг и как он работает: матчасть

Привет, %username%!
Я расскажу и покажу как работает основа генерации денег в криптовалютах — майнинг. Как создается первый блок, новые блоки и как появляются деньги из ниоткуда.
Чтобы было проще понять, мы напишем свой импровизированный майнер для импровизированной криптовалюты HabraCoin.

Сначала упрощенный ликбез, куда без него.

Кошельки

Каждый кошелек — это случайно сгенерированная пара ключей. Собственно, адрес кошелька — это хэш от публичного ключа. Так его можно однозначно идентифицировать.

Транзакция

Это запись о том, с какого кошелька на какой какая сумма переводятся. А так же, время и дата операции. Эта запись (её хэш) подписывается закрытым ключом отправителя и рассылается всем в округе в ожидании подтверждения.

Подтверждение

Чтобы о транзакции узнали и все себе её записали, необходимо её подтверждение, которое получается в результате создания нового блока.

Это служебные данные + список транзакций + номер кошелька майнящего + волшебное число.

Цепочка блоков

Последовательность, в которой каждый следующий блок включает в себя Id предыдущего.

Начало

Итак, есть некоторое количество народа, можно один. Назовём его Хаброша. Он решает запустить свою систему криптовалюты HabraCoin.

Поскольку выделенных серверов у этой валюты нет, то все её участники равноправны и должны как-то договариваться о валидности транзакций. То есть, нужен механизм, который обеспечит:

Для этого он формирует блок из существующих на данный момент неподтвержденных транзакций, номера предыдущего блока, номера своего кошелька и т.д. Для самого первого блока транзакций у нас нет, номера предыдущего блока у нас нет, ничего толком нет. Только адрес кошелька Хаброши да дата со временем.

Так же, в алгоритме HabraCoin указаны следующие вещи.

Ограничение скорости

Как мы видим, сам факт создания блока говорит о том, что его создатель получает за это вознаграждение. И чтобы это вообще имело смысл, скорость и сложность создания блоков следует ограничить. Иначе сами понимаете, тонны блоков из ничего и никакого толку.

Как этого добиться?

Если помните, все блоки состоят из нескольких полей. Мы берем эти поля, конкатенируем, получаем из них массив байт. Это массив байт отдаем хэш функции, получаем результат и смотрим: меньше то, что получилось с учетом текущей сложности, или нет?
Если нет, то изменяем этот массив байт до тех пор, пока не получим нужное значение. А именно:

В каждом блоке есть поле, называемое nonce. Это число размером несколько байт, которое нужно увеличивать на единицу, дописывать к блоку и опять считать от него хэш. Поскольку хорошие хэш функции выдают более-менее равновероятностные значения, то мы не знаем заранее, сколько раз придется повторять процесс. Может 1-2 раза, а может миллиарды.

Тот, кому удалось получить хэш, удовлетворяющий условиям сложности, рассылает всем блок с включенными в него транзакциями. На случай, если несколько человек сделали это одновременно, вводится условие, что несколько цепочек блоков существовать вместе не могут, а побеждает самая длинная. Таким образом, если у нас есть две цепочки:

то победит та, для которой 4й блок найдут раньше времени. А меньшая цепочка выкидывается и её транзакции снова попадают в очередь на подтверждение.

Комиссия

Все у себя в кошельках видели поле «комиссия» при совершении транзакции. Эта комиссия идет людям, занимающимся генерацией блоков. То есть, они в первую очередь будут выбирать из всех транзакций, ожидающих подтверждения, те, которые содержат в себе комиссию. После формирования блока считается, что вся комиссия, содержащаяся в транзакциях, отходит к его (блока) создателю.
То есть, когда кончится вознаграждение за генерацию блока (если это прописано в алгоритме валюты), то майнерам останется лишь комиссия, а халявные транзакции могут быть никогда не обработаны.

Давайте смоделируем ситуацию и поможем Хаброше скрафтить какой нибудь блок.

Под спойлером программа (в виде Junit теста), которая ради приличия генерирует 2 случайных пары ключей, формирует какое то подобие транзакции (даже подписывает её, все по честному!), а потом ищет такую к ней добавку, чтобы первые 2 байта хэша были нулевыми. Типа сложность такая. Работает пару минут, а потом действительно выдает хэш, который можно быстро проверить, сконкатенировав байты транзакции и счетчика.

Пример получившегося блока:

1824B9ADF09908222CF65069FDE226D32F165B3CF71B7AA0039FDFEF75EAA61610909EBFFBAC023480FC87FCF640C4A
009B82C4A6D25A0F4B8A732AE54EF733E792681137BA378577DFDC2732D192DAF323966EAD4ADC9635D7A12EDD50E34
9F660622D186AF3C03BF7D265F2AA7EB125056F4BF45BE519E8B22B845B28065110000006400000142E5D667CB01CEE
EDD0AC15EC4C491819A99030BD5FEF7CD2B469F2B90BA13D7981EDCD0708353D13390B8564F496C44FAC2777B0AF79D
C94CBF36D0CC0F047E807889F34C4DC5FEB724699C257391F84F3DDD70B84F841D115F4EFEAF4E58779042F35257E5C
035046037DE740718D199A8F06AD7A58E37CCCD4CC5E95295DCC2C5F3C70847BD59FA57BCC5FF4B208F93948FCFD763
EC1E5C85B61C43EB64B77A9F53B28785D7DE2335333003260A0839D53927976751A8D8967B2BB325909D86E82BC4125
2A28ECF6F0E7476BB99B29585EB0E75410000

Вот мы и заработали пару хабракоинов для Хаброши. Статья конечно поверхностная, так что готов к вашим вопросам.

Источник

Process Mining как эволюция «научного управления» — и наша открытая библиотека для анализа

Process Mining – это мост между Data Mining и Process Management. Это подход к извлечению, анализу и оптимизации процессов на основе данных из журналов событий (event logs), доступных в информационных системах. Мы разработали и открыли библиотеку, позволяющую быстро и достаточно просто обрабатывать данные информационных систем производства, чтобы находить узкие места и точки неэффективности.

Первой научной теорией, целью которой был анализ и оптимизация рабочих процессов, является «Научное управление». На рубеже XIX – XX веков усилиями американского исследователя Фредерика Тейлора и его единомышленников была создана теория классического менеджмента. Она основывается на положении, что существует «наилучший способ» выполнения каждой конкретной работы, и проблема низкой производительности может быть решена путем использования метода, названного «научным хронометрированием». Суть метода заключается в разделении работы на последовательность элементарных операций, которые хронометрируются и фиксируются при участии рабочих. В итоге это позволяет получить точную информацию о необходимых затратах времени на выполнение той или иной работы.

Таким образом, более 120 лет назад таким простым шагом был дан старт научному подходу к исследованию процессов. С развитием общества и технологий эволюционируют и совершенствуются подходы к анализу и оптимизации процессов: происходит переход к «Массовому производству», в основе которого лежит специализация с возможностями оптимизации сборки, компьютеризации и анализа статистки.

Современный Process Mining — это эволюция этого подхода с учётом больших данных.

Эволюция

В конце 80-х всем известный Таичи Оно совершил прорыв, разработав и внедрив в Toyota подход, именуемый «Бережливое производство». В основе подхода лежит постоянная работа со всеми типами потерь, которые возникают в процессе. Устранение потерь априори увеличивает эффективность.

Следующим качественным шагом в области оптимизации процессов является разработка и внедрение инструмента «цикл DMAIC», и использование статистических методов управления процессами Six sigma, которые также не нуждаются в представлении. Ключевыми характеристиками этапа являются – ввод КПЭ и работа с отклонениями, фокус на клиента и обеспечение непрерывного улучшения процессов.

Эти подходы, которые хорошо работали еще 5-10 лет назад и опирались на такие «ручные» инструменты как гемба, хронометраж, опросы клиентов и экспертов, дизайн-сессии, сейчас, в эпоху постоянного усложнения и ускорения процессов, не дают полной картины.

Сегодня повсеместное развитие цифровых технологий, роботизация и автоматизация, интернет вещей, глобальные сети и массовая цифровизация дает основу для качественно нового этапа исследования и оптимизации процессов, реализации возможностей ML и AI.
Таким инструментом AI-трансформации является Process Mining.

Для чего именно нужен такой подход?

Изобретенная профессором Вилом ван дер Аалстом в начале прошлого десятилетия, технология Process Mining стала быстро набирать популярность как в научной, так и в корпоративной среде. Сегодня в условиях роста объема информации и скорости изменений в бизнесе она приходит на смену классическим методам описания и ручного моделирования процессов.

Восстанавливая схемы бизнес-процессов в том виде, как они протекают на самом деле, Process Mining позволяет получить инсайты – объективные знания, необходимые для устранения узких мест (bottlenecks), оптимизации несовершенств и улучшения эффективности деятельности организации. Тем самым, применяя инструментарий Process Mining, компания решает и вопросы соответствия, и вопросы производительности процессов.

Визуализация инсайтов (узкие горлышки, возвраты, зацикленности, большая вариативность) на графе процесса:

Одним из основных драйверов современного бизнеса является цифровая трансформация. Ее пререквизитами, или обязательными условиями, традиционно считаются прозрачность и открытость, достичь которых помогает непосредственно Process Mining. По сути, он делает «рентген» протекающих в компании процессов, предоставляя исчерпывающую, а главное достоверную картину всей цепочки событий, а не отдельных шагов, тем самым устраняя барьеры между различными департаментами и отделами. Полученная оценка текущей операционной эффективности компании является объективной, и потому может быть использована для выявления возможностей оптимизации, отслеживания изменений и быстрого реагирования. Process Mining, стирая организационные границы, позволяет получить инсайты для любого уровня детализации. Ценность этих инсайтов заключается в том, что они дают компании основание и направление для дальнейших действий по совершенствованию и цифровизации процессов во всех подразделениях.

Таким образом, Process Mining дает руководителям-владельцам процессов полную аналитику, чтобы на объективных данных принимать управленческие решения по улучшению процесса.

Как проходит внедрение

Основу для применения Process Mining формируют данные журналов событий (event logs). Информационные системы автоматически регистрируют все действия (activities), выполненные в ходе одного процесса. В дополнение к деятельности, журналы событий содержат временные метки (timestamps) начала и конца, уникальный идентификационный номер (case ID) и прочие атрибуты события: исполнители операций, текст переписки, решение по сделке, территориальные признаки и так далее.

Лог-файлы, обеспечивая достоверную и детализированную информацию о ходе исполнения бизнес-процесса, делают его более прозрачным. С помощью этой информации можно визуализировать и проанализировать модель реального, а не предполагаемого процесса. Это важно, потому что именно этот разрыв делает Process Mining очень эффективным для крупных компаний. Однако, он не ограничивается восстановлением моделей бизнес-процессов из лог-файлов. Сопоставляя данные журналов и схемы процессов, Process Mining позволяет выявить отклонения и узкие места в процессе, изучить длительность выполнения каждой его стадии, обнаружить лишние или пропущенные этапы, а также определить потенциальные способы оптимизации и, следовательно, повышения эффективности.

Одна из ключевых задач — извлечение инсайтов из имеющихся в корпоративных ИТ-системах данных. Имея цифровую информацию обо всех действиях, выполненных в рамках процесса, с помощью технологии Process Mining компания способна воспроизвести фактически исполняемый бизнес-процесс. А построение его визуальной схемы позволяет не только получить полное представление о цепочке событий, но и исследовать актуальное состояние процесса на любом уровне детализации. Анализируя модель реконструированного процесса вместе с данными о длительности и особенностях его исполнения, можно выявить задержки по времени реализации отдельных действий, взаимосвязи между пользователями, зацикленности в процессе, неэффективных исполнителей, а также скрытые недостатки и проблемы в процессах, из-за которых может существенно снижаться производительность целой организации. Помимо этого, Process Mining позволяет увидеть процесс в динамике, а это означает возможность отследить изменения, происходящие в результате введения тех или иных мер по усовершенствованию. Итак, Process Mining играет ключевую роль в обеспечении ценной и объективной информацией, необходимой для повышения эффективности решений по оптимизации бизнес-процессов. Основными преимуществами процессной ориентации анализа являются следующие:

Безусловно, Process Mining представляет большую ценность для владельцев бизнес-процессов, поскольку выявляет нежелательные изменения и отклонения, узкие места и другие риски в процессе, показывая тем самым, где именно в системе имеются проблемы и уязвимости и как они влияют на общую производительность. Однако гораздо интереснее вопрос «Почему?» – в чем причина этих проблем и отклонений? Ответить на этот вопрос может помочь машинное обучение.

Что сделал Сбер?

Для реализации интеллектуального анализа процессов команда R&D Process Mining Сбера разработала специальную библиотеку.

Python-библиотека включает все необходимые методы для анализа и теперь они легко доступны для экспериментов. Первая версия Open Source-решения включает функции, которые позволяют:

Тепловая карта пропускной способности процесса:

График зависимости переменных:

Автоматический поиск инсайтов:

Алгоритмы машинного обучения используются в библиотеке для реализации автоматического анализа первопричин (Root Cause Analysis), в результате которого выявляются критические слабости процесса и определяются отправные точки для его оптимизации. Кроме того, Root Cause Analysis позволяет установить наиболее вероятные факторы влияния и причины проблем, то есть помогает ответить на вопросы, когда и почему возникли отклонения в процессе.

Таким образом, Process Mining – это, прежде всего, визуализация и анализ бизнес-процессов. На основе логов, хранящихся в информационных системах, можно восстановить фактическую (визуальную) схему исполнения процесса в том виде, как он проходит на самом деле. Машинное обучение, в свою очередь, позволяет определить root causes и тем самым понять, почему процесс протекает именно таким образом.

Как мы применяем Process Mining сами

У нас больше 12 тысяч офисов по России, дочерние организации и банки за пределами РФ, компании экосистемы. Process Mining позволяет «дотянуться» до процессов в территориальных банках, до коллег из Sberbank International: уже есть опыт, мы посмотрели процессы Казахстана, Беларуси; до наших дочерних обществ: СберЛизинг, СберФакторинг и др.

Использование технологии мы начинали в 2019 году. Первым и очень результативным end-2-end исследованием был анализ процесса кредитования. Кредитование — это огромный кросс-функциональный процесс, в котором на тот момент было задействовано несколько тысяч сотрудников и несколько автоматизированных систем.

Мы собрали и склеили event-log’и из нескольких систем, благодаря чему получили детальные сведения о длительности процесса на каждом этапе, реконструировали реальные варианты путей процесса, сравнили с нормативными. Процесс оказался перегружен разнообразием путей и вариаций прохождения отдельных этапов, петлями, возвратами с этапа на этап, а это все потери времени и в конечном счете денег. Нашли неэффективности, зацикливания, пинг-понг между исполнителями и возвраты заявок. Построили тепловую карту производительности по территориям, которая показала различия в организации процесса и скорости принятия решения по заявке.

Ценным источником информации стали комментарии исполнителей. ML-модуль по анализу текстов позволил автоматически, без обучающей выборки, кластеризовать тексты переписки и получить ТОП причин, почему заявка возвращается на предыдущие этапы, почему процесс протекает медленно.

Все это дало нам ответы, где нужно «полечить» процесс.

Process Mining эффективен на любых процессах, которые оставляют цифровой след: будь то бизнес-процесс «выдача кредита» или внутренний, обеспечивающий «согласование хозяйственного договора».

Большое распространение в Сбере технология приобрела в цифровом аудите. Для внутреннего аудита анализ процессов – это предметная область. Process Mining позволяет получать совершенно другого рода качественные результаты, поскольку:

Источник