Fra å tenke analyse til å faktisk gjøre en forbedring
Av Joakim Lien, Tom Lien og Vidar Gamlem
Det som tidligere har vært en utfordring for oss som holder på med prosessanalyse er å sikre en god balanse mellom å gjøre dyp analyse og det å faktisk gjøre handlinger for å forbedre status quo.
Prosessanalyse er å måle og forstå en prosess, ressursene den bruker og tiden den tar. All erfaring viser at bedrifter bruker masse midler på prosess analyse som gir liten eller ingen effekt på bunnlinjen.
Ulike teknikker har blitt brukt opp gjennom årene for å sikre en raskere og et bedre innsyn. Det vanskeligste har imidlertid vist seg å være det samme; Å finne frem til sammenhenger, for så å gjøre noe med det. Dette er nå under endring.
I Process Mining, som er neste generasjons prosessanalyse, etablerer man en digital tvilling med en detaljert utgave av hvordan bedriften faktisk utfører daglige oppgaver. Denne detaljerte visuelle utgaven av hvordan bedriften ser ut kan en deretter sammenligne med «beste praksis» i markedet og satte mål.
Sammen med virksomheten definerer en; hvordan ønsker en at verdikjedene og prosessene skal utføres for å skape mest mulig verdi
Det som tidligere har tatt utallige timer, kontakt med en rekke ansatte og bunker av «post-it lapper» for å kartlegge – kan man nå på et blunk få frem. Dette gjøres ved å hente ut tidsstempel fra hendelsesloggene i IT verktøyene. Hendelsesloggen representerer alle aktiviteter som er gjennomført i en verdikjede eller prosess hos en eller flere medarbeidere. Hendelsene kan være registrerte på ulike måter. Dette være seg endringer som er registrert i sentrale IT systemer, hos brukerne på deres respektive lokale PC verktøy, samt via sensorer (som en del av IoT, Internet of Things).
Eksempler på prosessflyter er: Oppgaver som gjennomføres i salgsprosessen til bedriften (O2C, order to cash), håndtering av innkjøp (P2P, purchase to pay), logistikk håndtering, ansettelsesprosesser og kundeoppfølging.
I Process Mining benytter en både datafangst, AI og BI teknologi. Process Mining gjør det mulig å forstå og måle faktiske prosessflyter og variasjoner uten en stor grad av menneskelig innflytelse. Det er vitenskapelig bevist at en digital tvilling med AI og BI funksjonalitet skaper en objektiv og presis analyse – noe som det er tilnærmet umulig å få gjort i mer manuelt arbeid.
I dagens marked blir vi stadig mer og mer «utålmodig». Færre bedrifter har dermed tid og penger til å utføre gode analyser – dette selv om en vet at dette burde bli gjort for å kunne ta gode strategiske og taktiske beslutninger. Endringer gjøres hyppigere og bedrifter forventer å få resultater raskt. Denne «klemmen» en er i ved at en ikke har tid, samtidig som en skal ta gode raske beslutninger, er noe som krever at tilnærmingen også må være rask og presis. Dette er nå på plass med denne typen verktøy og arbeidsmetodikk.
Med Celonis, som er førende og markedsledende innenfor Process Mining, får en begge deler. Et verktøy som raskt kan visualisere objektiv det som faktisk foregår i bedriften, og dermed underlag for å ta beslutning, samt en måte å samhandle på som sikrer at alle i organisasjonene kan jobbe med kontinuerlig forbedring.
Celonis har i en rekke år hatt ledende verktøy for å gjennomføre analyser, gi varslinger og kunne automatisere oppgaver. De har imidlertid nå også utviklet, det de kaller «Operational Applications», ferdige applikasjoner som innehar funksjoner og informasjon som direkte tilpasset roller som bedriften innehar i de ulike prosessene. Dette for å ivareta at ledere og ansatte har behov for den samme informasjonen, men da gjerne i forskjellige former. En leder har større nytteverdi av å se trender for å kunne ta strategiske og taktiske grep, mens de ansatte har oftest størst behov for å se hva som må gjøres «her og nå». Applikasjonene har mulighet til å utføre kalkulerte beregninger og oppdage avvik fra den ønskede prosessen. Disse blir deretter sendt som melding til rett medarbeider, enkle grep kan gjennomføres, som igjen gir resultater i form av økt effektivitet og kortere behandlingstider. Dette gir igjen effekt på bunnlinjen og økt tilfredshet hos kunder og ansatte.
Eksempel:
Den digitale tvillingen er satt opp med prosess analyse for Purchase2Pay og Order2Cash. I den første prosessen dekkes leverandørenes evne til å levere bestilte varer i henhold til leveranse betingelser. I den andre dekkes salgsprosessen med virksomhetens evne til å levere solgte varer og tjenester i henhold til avtale. En leder har behov for å følge med på volum, frekvenser, grad av automatisering, avvik i prosess, ressursstyring etc. En medarbeider har behov for å få melding om at en handling skal gjennomføres som følge av et avvik som har indirekte eller direkte konsekvens for egne aktiviteter. Varer er levert fra leverandør, men med avvik, som igjen påvirker betaling av leverandørgjeld, ekspedering av ordre etc.
Celonis benytter seg av to typer av kunstig intelligens.
- «Process query language» som lar brukerne definere egne analytiske regler som kan kombinere data fra ulike kilder i en spørring. Eksempel på dette er å lage en regel som sier at dersom kontoen faller under et visst nivå, vil hendelsen være å automatisk utsette betalinger for en satt periode, samt varsle i henhold til oppsatt regelverk.
- Mer avansert «maskin læring» hvor en tar i bruk historisk og sanntidsdata for å forutse fremtidige hendelser. Dette gir bedriften en unik mulighet til å rette opp i problemer før de opptrer, noe som vil være tilnærmet praktisk umulig for medarbeideren i en mer tradisjonell interaksjon og utførelse av prosessen.
Ta eksempelet med forsinket leveringsdato fra leverandør. Ved hjelp av mengder med data vil Celonis faktisk oppdage at en leverandør vil ha problemer med å levere på avtalt dag. Dette gir rom for at virksomhetens medarbeidere og ledere kan gjøre justeringer deretter. Enten det er å bestille fra annen leverandør, bytte leverandør fordi det er et gjentagende problem, eller å justere interne rutiner som tar høyde for en lengre leveringstid (noe igjen gir en bedre kundeopplevelse).
Den vanlige fremgangsmåten ved bruk av Celonis er å begynne å se på hvordan dagens prosesser faktisk ser ut. Ofte får man seg en overraskelse når man ser hvor mange variasjoner det faktisk finnes av en helt enkelt prosess. Celonis løsningen visualiserer hvordan prosessen ser ut og hvilke varianter som faktisk finnes i form av grafiske grensesnitt. Så snart man har etablert den digitale tvillingen setter man seg noen mål for hva man ønsker å oppnå ved prosessutbedrelsen. Deretter igangsettes tiltak og en monitorerer forbedringen – for så igangsetter nye forbedringstiltak.
Eksempelvis satt det globale helseforetaket Fresenius Kabi i gang et prosjekt som omhandlet faktureringsprosessen. Etter å ha sett hvordan ting faktisk sto til satt de seg noen konkrete mål. De ville:
- redusere tap i forbindelse med duplikatbetalinger eller for tidlig betaling
- kutte ned tidsbruk
- redusere menneskelig innblanding i prosessen
De satt så opp KPIer, som ledere kunne monitorere, som var tilknyttet til medarbeideres arbeidsrutiner. Etter bare noen få dager hadde de oversikten, igangsatt tiltak og menneskelige innblandinger hadde blitt redusert. En sikret, ved hjelp av applikasjonen som varslet om betal/hold faktura, at det ble utført langt færre «klikk» i prosessen. I tillegg tok de i bruk «machine learning» som identifiserte duplikatbetalinger (ved hjelp av å se på likheter mellom dem i IT systemene og tidspunktene de ble gjennomført). I løpet av uker fikk de endret rutinene. Store økonomiske gevinster ble oppnådd ved å redusere antall dobbeltbetalinger.
Celonis er med dette et utmerket verktøy for å oppdage flaskehalser. Når en er kjent med og har oversikt over flaskehalsene kan en også gjøre «root cause analysis» og finne årsaken til problemet. En dekker dermed også det som en kjenner igjen fra flere rammeverk forbundet med forbedringstiltak.
Eksempelvis kan en ved hjelp av den digitale tvillingen oppdage at én og samme sak havner på pulten til medarbeideren to eller flere ganger. Ved hjelp av et «klikk» finner man årsaken til dette, som eksempelvis kan være pga. at leverandøren har endret prisen på varen etter bestilling, men før betalingen. Ved videre analyse oppdager programmet om dette er en trend? Kan det være en spesifikk leverandør som endrer pris på produkt etter bestilling som en vane? I en bedrift hvor det betales tusenvis av fakturaer hvert år er ofte slike ting vanskelig å oppdage på egenhånd.
Med god verktøysstøtte, som «ser på tvers av avdelinger og fagsystemer», kommer dette imidlertid enkelt frem uten at bedriften behøver å bruke mange ressurser i form av mennesker, tid og møter på å (prøve å) forstå hvor «pengene blir av». Med å avdekke gjentagende flaskehalser, og automatisering av oppgaver, bistår en medarbeider og skape en bedre prosessflyt – samtidig lærer programmet av historien som hjelper bedriften med å unngå fremtidige problemer.
Kombinasjonene av funksjoner som Celonis tilbyr gjør det til et helhetlig verktøy for styring av forbedringstiltak. Fra å gjennomføre analyse av prosesser, bruke AI og «machine learning» for å utvide forståelsen, gjennomføre automatisk analysere, utfordre dagens prosesser og rutiner, til å deretter utbedre prosessene og verdikjedene.
Ta gjerne kontakt for en prat!
Se også våre andre websider under voglio.biz , samt Celonis.com
Inspirasjon til denne artikkelen er hentet fra: Forbes sin artikkel «Process mining from analytics to action»
Celonis kundehistorier; celonis.com/customers
Blog post om Norske Wilhelmsen; celonis.com/blog/how-wilhelmsen-is-shaping-the-maritime-industry