Apa itu penambangan proses?

Penambangan proses adalah teknik yang menganalisis data dari log peristiwa untuk membantu organisasi menemukan, memantau, dan meningkatkan proses bisnis mereka. MLOps berada di persimpangan antara data science dan manajemen proses. Dengan menggunakan algoritma khusus, penambangan proses membaca jejak digital yang tertinggal di sistem seperti alat perencanaan sumber daya perusahaan (ERP) atau pengelolaan hubungan pelanggan (CRM). Teknik ini mengambil data mentah dan mengubahnya menjadi peta visual proses bisnis Anda.

Saat developer atau pemimpin bisnis melihat peta ini, mereka dapat melihat dengan tepat apa yang terjadi secara real time. Hal ini melampaui perkiraan atau asumsi tentang cara kerja suatu proses. Sebagai gantinya, AI memberikan gambaran faktual dan berbasis data. Hal ini membantu organisasi mengidentifikasi bottleneck, menemukan inefisiensi, dan menemukan peluang untuk membuat operasi berjalan lebih lancar.

Cara kerja penambangan proses: Mulai dari log peristiwa hingga insight

Teknologi penambangan proses bekerja dengan mengekstrak pengetahuan dari data yang sudah ada dalam sistem informasi perusahaan Anda. Data ini mengikuti alur kerja tertentu untuk mengubah data yang tersebar menjadi insight yang dapat ditindaklanjuti.

  • Penyerapan: Langkah pertama melibatkan pengumpulan "Log Peristiwa". Setiap kali pengguna berinteraksi dengan sistem software, sistem akan membuat sebuah kumpulan data. Kumpulan data ini biasanya mencakup ID Kasus (instance spesifik dari suatu proses, seperti pesanan #123), stempel waktu (kapan terjadinya), dan aktivitas (apa yang terjadi, seperti "pesanan disetujui"). Alat penambangan proses menyerap data ini untuk membentuk fondasi analisis.
  • Penemuan: Setelah data diserap, algoritma seperti algoritma alpha atau penambang induktif merekonstruksi alur proses. Mereka melihat urutan aktivitas untuk setiap kasus, dan software seperti Looker kemudian secara otomatis membuat peta proses. Peta ini memvisualisasikan jalur yang diambil oleh berbagai kasus, yang menunjukkan rute paling umum dan anomali tanpa bias manusia.
  • Analisis: Terakhir, tim menggunakan software untuk menganalisis hasil. Mereka mencari "Happy Path", yaitu rute ideal dan paling efisien yang harus ditempuh suatu proses. Setelah itu, membandingkan hal ini dengan penyimpangan, loop, atau penundaan, yang membantu mengidentifikasi di mana pekerjaan terhambat atau tempat tim melakukan langkah-langkah tambahan yang tidak perlu.

Jenis penambangan proses

Ada tiga teknik utama dalam penambangan proses yang digunakan oleh organisasi sesuai dengan tujuan mereka. Setiap jenis memiliki tujuan yang berbeda dalam memahami dan meningkatkan alur kerja.

Penemuan sering kali menjadi titik awal. Dalam teknik ini, Anda membangun model dari awal hanya dengan menggunakan data log peristiwa. Anda tidak memulai dengan hipotesis atau model yang sudah ada sebelumnya tentang bagaimana proses seharusnya berjalan, karena algoritma hanya melihat data dan menghasilkan model yang mencerminkan realitas. Hal ini dapat berguna jika Anda ingin melihat apa yang sebenarnya terjadi tanpa prasangka apa pun.

Pemeriksaan kesesuaian adalah tentang membandingkan realitas dengan standar. Di sini, Anda mengambil data dunia nyata dan membandingkannya dengan model "ideal" yang telah ditentukan sebelumnya atau serangkaian aturan. Tujuannya adalah untuk menemukan pelanggaran. Misalnya, jika pesanan pembelian harus disetujui sebelum invoice dibayar, pemeriksaan kesesuaian akan menandai setiap kasus pembayaran yang dilakukan terlebih dahulu. Hal ini membantu memastikan tim mematuhi aturan.

Peningkatan melibatkan penggunaan data untuk meningkatkan atau memperluas model proses yang ada. Hal ini bukan hanya tentang menemukan kesalahan, tetapi juga tentang menambah nilai. Misalnya, Anda dapat mengambil peta proses yang ada dan melapisi data stempel waktu untuk melihat dengan tepat di mana penundaan terjadi. Hal ini membantu Anda memperbaiki model atau menyesuaikan proses agar lebih sesuai dengan realitas lingkungan bisnis.

Penambangan proses versus penambangan data versus pemodelan proses

Istilah-istilah ini sering kali membingungkan, tetapi mengacu pada disiplin ilmu yang berbeda. Meskipun semuanya menangani data dan analisis bisnis, mereka menghadapi masalah dari sudut pandang yang berbeda.

  • Pemodelan proses biasanya merupakan tugas manual. Teknik ini mengandalkan analis bisnis yang melakukan wawancara, mengadakan workshop, dan menggunakan sticky note untuk menggambarkan cara kerja suatu proses. Hal ini bersifat subjektif dan merepresentasikan status "seharusnya".
  • Penambangan data adalah bidang yang sangat luas. Teknik ini mencari pola dalam segala jenis set data, bukan hanya data proses. AI dapat membantu menjawab pertanyaan seperti "Pelanggan mana yang kemungkinan akan berhenti berlangganan?" daripada "Mengapa pengiriman memakan waktu lama?"
  • Penambangan proses secara khusus berfokus pada data yang berpusat pada proses untuk memvisualisasikan urutan dan alur.

Fitur

Pemodelan proses

Pemrosesan data

Penambangan proses

Sumber utama

Wawancara manusia, workshop

Set data besar

Log peristiwa (data sistem)

Fokus

Cara kerja suatu proses

Pola dan korelasi

Cara kerja suatu proses

Objektivitas

Subjektif (Berdasarkan opini)

Objektif (Berdasarkan fakta)

Tujuan

Hasil

Diagram statis

Model/Cluster Prediktif

Peta proses dinamis

Fitur

Pemodelan proses

Pemrosesan data

Penambangan proses

Sumber utama

Wawancara manusia, workshop

Set data besar

Log peristiwa (data sistem)

Fokus

Cara kerja suatu proses

Pola dan korelasi

Cara kerja suatu proses

Objektivitas

Subjektif (Berdasarkan opini)

Objektif (Berdasarkan fakta)

Tujuan

Hasil

Diagram statis

Model/Cluster Prediktif

Peta proses dinamis

Kasus penggunaan berdasarkan industri untuk penambangan proses

Aplikasi penambangan proses mencakup berbagai industri. Departemen mana pun yang mengandalkan alur kerja terstruktur dapat menggunakan teknik ini untuk meningkatkan performa.

Departemen keuangan sering kali menjadi pengguna awal penambangan proses. Mereka dapat menggunakannya untuk menyederhanakan akun utang dan piutang, seperti menggunakannya untuk membantu mengurangi waktu siklus pemrosesan invoice. Hal ini membantu mengatasi pembayaran duplikat dan mencegah vendor yang tidak disetujui, yang sering disebut sebagai "Pembelian Maverick". Dengan melihat alur faktur yang tepat, tim keuangan dapat memastikan mereka memanfaatkan diskon pembayaran awal dan menghindari biaya keterlambatan.

Untuk perusahaan yang menangani barang fisik, penambangan proses dapat membantu mengelola kompleksitas supply chain, seperti mengoptimalkan lini produksi dengan mengidentifikasi stasiun mana yang menyebabkan penundaan.

Dalam logistik, layanan ini membantu memvisualisasikan pergerakan barang yang tepat melalui supply chain, dari gudang ke pelanggan. Visibilitas ini membantu manajer memprediksi keterlambatan, mengelola serah terima inventaris dengan lebih lancar, dan memastikan jadwal produksi sesuai dengan permintaan pelanggan.

Di sektor kesehatan, penambangan proses dapat digunakan untuk meningkatkan pengalaman pasien. Rumah sakit dapat menggunakannya untuk memvisualisasikan "Perjalanan Pasien" mulai dari penerimaan hingga pemulangan. Dengan menganalisis waktu antara berbagai tahap—seperti triase, pengujian, dan perawatan—administrator dapat mengidentifikasi hambatan yang menyebabkan waktu tunggu yang lama. Hal ini dapat meningkatkan efisiensi triase dan memastikan bahwa sumber daya dialokasikan ke tempat yang paling dibutuhkan untuk meningkatkan hasil perawatan pasien.

Perusahaan telekomunikasi dapat menggunakan penambangan proses untuk meningkatkan layanan pelanggan dan orientasi. Proses mengaktifkan saluran baru atau menyiapkan layanan internet melibatkan banyak langkah dan departemen. Penambangan proses membantu mengidentifikasi titik gesekan yang menyebabkan pelanggan berhenti. Layanan ini dapat mengungkapkan alasan tiket aktivasi macet atau bolak-balik antara departemen teknis dan dukungan, sehingga perusahaan dapat memperbaiki akar masalah dan meningkatkan kepuasan pelanggan.

Peran AI dalam penambangan proses

Kecerdasan buatan (AI) mentransformasi penambangan proses dari alat diagnostik menjadi alat prediktif. Meskipun penambangan proses tradisional menganalisis apa yang terjadi di masa lalu, AI penambangan proses menggunakan machine learning untuk memprediksi hasil di masa depan. Misalnya, model dapat menganalisis kasus terbuka saat ini dan menandai pesanan tertentu, memprediksi bahwa "Pesanan ini akan terlambat" berdasarkan pola yang terlihat dalam data historis. Hal ini memungkinkan tim untuk melakukan intervensi sebelum masalah benar-benar terjadi.

AI Generatif juga membuat teknologi ini lebih mudah diakses. Pengguna dapat membuat kueri data proses mereka dengan natural language, tanpa memerlukan data scientist untuk menulis kueri yang kompleks. Seorang manajer dapat dengan mudah bertanya, "Tunjukkan 3 hambatan teratas di pabrik Berlin," dan sistem akan membuat analisisnya. Hal ini mendemokratisasi akses ke insight, sehingga pengguna nonteknis dapat membuat keputusan berbasis data.

Manfaat penambangan proses untuk operasi bisnis

Penerapan penambangan proses dapat menghasilkan peningkatan signifikan terkait cara kerja perusahaan. Dengan menggunakan data untuk mendorong keputusan, organisasi sering kali melihat laba atas investasi (ROI) yang jelas.

Transparansi

Penambangan proses menawarkan visibilitas hampir 100% ke dalam operasi. Tidak ada yang tersembunyi karena sistem ini melihat setiap transaksi yang tercatat. Para pemimpin dapat melihat realitas alur kerja mereka di berbagai departemen dan lokasi, sehingga menghilangkan sifat "kotak hitam" dari operasi yang kompleks.

Efisiensi

Teknologi ini unggul dalam mengidentifikasi dan mengatasi hambatan. Misalnya, dalam supply chain, teknologi ini dapat mengungkapkan bahwa pesanan berstatus "tertunda" selama tiga hari karena persyaratan tanda tangan manual. Dengan mengidentifikasi penundaan ini, perusahaan dapat menyederhanakan langkah-langkah dan mengirimkan produk kepada pelanggan dengan lebih cepat.

Kepatuhan

AI membantu mendeteksi perilaku yang tidak patuh, seperti "Pembelian Maverick", di mana karyawan mengabaikan prosedur pengadaan standar. CloudWatch juga memantau pelanggaran perjanjian tingkat layanan (SLA), yang memastikan bahwa kewajiban kontrak terpenuhi dan mengurangi risiko penalti.

Otomatisasi

Penambangan proses adalah pendahulu yang baik untuk otomatisasi. Teknik ini mengidentifikasi langkah-langkah mana yang repetitif dan cukup stabil untuk ditangani oleh otomatisasi proses robotik (RPA). Alih-alih menebak proses mana yang akan diotomatiskan, bisnis menggunakan data untuk memilih proses yang akan menghasilkan peningkatan efisiensi tertinggi.

Mengatasi tantangan bisnis Anda dengan Google Cloud

Pelanggan baru mendapatkan kredit gratis senilai $300 untuk dibelanjakan di Google Cloud.

Membangun contoh pipeline penambangan proses

Bagi developer, penambangan proses bukan hanya tentang melihat dasbor, tetapi juga tentang membangun pipeline data yang memungkinkan insight tersebut. Berikut adalah contoh praktis cara merekayasa solusi menggunakan Google Cloud untuk mengoptimalkan sistem pesanan e-commerce.

  • Langkah 1: Memusatkan log Tugas pertama Anda adalah mengeluarkan data mentah dari aplikasi dan menempatkannya di lokasi yang dapat dianalisis. Anda dapat mengonfigurasi aplikasi e-commerce (yang berjalan di Google Kubernetes Engine atau Compute Engine) untuk mengirim log aplikasi ke Cloud Logging. Kemudian, buat "Sink" untuk mengekspor log ini secara otomatis ke BigQuery. Hal ini memastikan bahwa setiap peristiwa "Pesanan Dilakukan", "Pembayaran Diproses", dan "Item Dikirim" disimpan secara permanen di data warehouse yang skalabel.
  • Langkah 2: Mengubah data menjadi log peristiwa Log aplikasi mentah sering kali berupa blob JSON yang tidak teratur. Anda perlu mengubahnya menjadi format "Log Peristiwa" yang bersih dan dapat dibaca oleh algoritma penambangan proses. Anda dapat menggunakan BigQuery SQL atau Dataform untuk menulis pipeline transformasi. Pipeline ini mengekstrak tiga kolom penting: ID Kasus (Nomor Pesanan), Stempel Waktu (Peristiwa terjadi), dan Nama Aktivitas (misalnya, "Pembayaran Disetujui").
  • Langkah 3: Memprediksi hasil dengan AI Setelah tabel log peristiwa yang bersih berada di BigQuery, Anda dapat menggunakan Vertex AI untuk menambahkan kecerdasan prediktif. Anda dapat melatih model klasifikasi tabular secara langsung pada data BigQuery untuk memprediksi hasil biner, seperti "Apakah pesanan ini akan terlambat? (Ya/Tidak)." Anda kemudian dapat menulis prediksi ini kembali ke BigQuery, yang dapat memperkaya data proses Anda dengan probabilitas masa depan.
  • Langkah 4: Memvisualisasikan dan membuat pemberitahuan Terakhir, Anda dapat menghubungkan Looker ke tabel BigQuery untuk memvisualisasikan alur proses dan penundaan yang diprediksi. Anda juga dapat menyiapkan Fungsi Cloud Run yang memicu pemberitahuan ke tim dukungan pelanggan setiap kali Vertex AI memprediksi kemungkinan tinggi terjadinya keterlambatan pengiriman, sehingga mereka dapat menghubungi pelanggan secara proaktif.

Referensi lainnya

Pelajari lebih lanjut konsep, fondasi data, dan teknologi Google Cloud yang mendukung penambangan proses.

Langkah selanjutnya

Mulailah membangun solusi di Google Cloud dengan kredit gratis senilai $300 dan lebih dari 20 produk yang selalu gratis.