Sbloccare l’Eccellenza Operativa attraverso il Process Mining e la Trasformazione Digitale nella Industria 4.0

Unlocking Operational Excellence through Process Mining and Digital Transformation in Industry 4.0

Introduzione

Le tecnologie digitali stanno diventando sempre più popolari tra le organizzazioni, indipendentemente dal settore di appartenenza, per ottenere miglioramenti nei risultati aziendali, nella crescita dei ricavi e nella sostenibilità. Attraverso una migliore collaborazione e ottimizzazione dei processi aziendali, la digitalizzazione può migliorare la produttività dei dipendenti e la qualità dei risultati in qualsiasi organizzazione. Tuttavia, spesso esiste una lacuna nella comprensione dei processi aziendali utilizzati in tutta l’organizzazione e dei parametri chiave per migliorare i risultati attuali. Pertanto, comprendere il “come” e il “perché” del comportamento di un’azienda è cruciale per migliorarne le prestazioni economiche, ma molte aziende faticano a mettere in atto un tale piano strategico perché non sanno da dove cominciare. Allo stesso tempo, è evidente che una strategia di trasformazione non può essere sviluppata o attuata senza l’uso di strumenti software. Pertanto, l’obiettivo di questo lavoro è guidare i lettori sugli aspetti tecnici e funzionali dell’implementazione di un programma di gestione dei processi aziendali (BPM), potenziato da uno strumento di process mining. L’articolo fornisce una guida dettagliata sull’introduzione delle moderne tecnologie digitali nelle operazioni aziendali. Vengono trattati argomenti come l’importanza del BPM, la digitalizzazione e il process mining per raggiungere l’eccellenza operativa (OpEx). L’articolo discute anche le infrastrutture e i requisiti tecnologici dell’informazione (IT) per implementare questi strumenti.

1. Il process mining come catalizzatore per il BPM

Il process mining [1] è un metodo strutturato che combina la scienza dei processi e la scienza dei dati per misurare e migliorare il BPM. Fornisce un’analisi dettagliata delle attività svolte nelle organizzazioni per creare una mappa di processo end-to-end che illustra come vengono utilizzate le applicazioni aziendali e come i dipendenti interagiscono con esse per completare il lavoro. Il process mining è un campo multidisciplinare che viene comunemente utilizzato in combinazione con le tecniche di gestione del flusso di lavoro (WFM), come mostrato nella figura 1.

FIGURA 1 Process mining: collegamento tra scienza dei processi e scienza dei dati [1]

È un approccio basato sulla conoscenza che implica l’utilizzo di interfacce di data mining per raccogliere informazioni e ottenere approfondimenti sui processi end-to-end attuali (AS-IS). Studiando i log degli eventi e le interazioni degli utenti attraverso software ospitato su una piattaforma comune, è possibile comprendere “come” si svolge il lavoro all’interno di un’organizzazione, che è l’essenza chiave del process mining. Pertanto, i dati raccolti possono anche essere utilizzati per sviluppare un modello dei processi desiderati futuri (TO-BE) al fine di facilitare il miglioramento dei processi aziendali (BPI) e la ri-ingegnerizzazione dei processi aziendali (BPR). Gli strumenti di process mining utilizzano varie tecniche di scienza dei dati, come classificazione, clustering, regressione, apprendimento delle regole di associazione e mining di sequenze/episodi, per generare approfondimenti su un flusso di lavoro tipico. Tuttavia, il mining di log degli eventi è la tecnica più comune utilizzata dalla maggior parte degli strumenti, che consiste nell’analizzare i dettagli delle attività specifiche all’interno di un flusso di lavoro per creare un modello completo dei processi end-to-end. I diversi componenti [2] delle tecniche di process mining possono essere visualizzati tramite il diagramma a blocchi illustrato nella figura 2.

FIGURA 2 I componenti di base del process mining: scoperta, conformità e miglioramento [2]

Il process mining coinvolge tre tecniche principali: scoperta di processo, conformità di processo e miglioramento di processo. La scoperta di processo utilizza log degli eventi o dati storici per raccogliere informazioni sui processi attraverso l’apprendimento non supervisionato. La conformità di processo utilizza un modello di processo preesistente per confrontare i log e ricostruire il processo completo attraverso l’apprendimento supervisionato, mentre il miglioramento di processo migliora un processo esistente con conoscenze precedenti, dopo la scoperta dei log degli eventi. Tuttavia, è importante notare che il process mining è soggetto a problemi di cambiamento di concetto [3] a causa della natura mutevole dei processi durante la fase di scoperta. Quando si utilizza una tecnica di scoperta di processo, è importante mantenere un equilibrio tra un modello troppo semplice (sottostimazione) o troppo complesso (sovradattamento) [3]. Fortunatamente, la maggior parte degli strumenti di process mining incorpora algoritmi integrati che gestiscono automaticamente questa situazione, quindi di solito non è necessario intervenire manualmente. Gli strumenti di process mining commerciali utilizzano grafici di processo o diagrammi tipo spaghetti per visualizzare il flusso di processo. L’esempio di un processo di acquisto-pagamento [4] mostrato nella figura 3, illustra come gli strumenti di process mining utilizzino i log degli eventi per identificare gli stati finiti del flusso di lavoro e rivelare le variazioni, ovvero come diversi dipendenti eseguono lo stesso processo. Queste variazioni, a loro volta, possono fornire approfondimenti per aiutare le organizzazioni a risparmiare costi, formare i dipendenti, ridurre i ritardi nelle consegne e formulare strategie efficaci di BPI e monitoraggio della qualità come PDCA (plan-do-check-act), DMAIC (define-measure-analyze-improve-control), 8D (eight disciplines methodology), 4Q (4 quadrants – measure, analyze, improve, and sustain), ecc., per raggiungere l’eccellenza operativa.

FIGURA 3Grafico di processo: diagramma simile a spaghetti, rappresentante un processo di acquisto-pagamento [4]

L’implementazione di BPM in tutte le funzioni di un’organizzazione dipende molto dall’adozione di tecnologie digitali e dalla riduzione del divario digitale tra i dipendenti. Nel contesto dell’industria 4.0, la relazione tra BPM, OpEx e l’adozione digitale è sempre più vitale. Le organizzazioni che implementano in modo efficace strategie BPM e colmano il divario digitale tra i loro dipendenti raggiungeranno i loro obiettivi di migliorare l’efficienza, ridurre i costi di produzione, aumentare la soddisfazione del cliente, ecc., conferendo loro un vantaggio competitivo sul mercato. Pertanto, una strategia BPM senza errori deve essere integrata con tecniche di digitalizzazione efficaci, come discusso nella prossima sezione.

2. Tecniche di trasformazione digitale per BPM

La trasformazione digitale [5] ha guadagnato una notevole popolarità nel XXI secolo, e si riferisce al livello di integrazione digitale delle diverse unità aziendali all’interno di un’organizzazione. Le trasformazioni coinvolgono generalmente l’implementazione di tecnologie digitali per migliorare la proposta di valore per il cliente, ottimizzare le strategie aziendali e i flussi di lavoro, e stabilire processi standardizzati. Offerte di servizi come PaaS [6] e SaaS [6] offrono una gamma di scelte che consentono alle organizzazioni di ospitare e integrare dati provenienti da più sistemi software, il che è fondamentale per la trasformazione digitale. Per guidare la trasformazione digitale in un’organizzazione che utilizza tecnologie operative (OT), tecnologie cloud (CT) e IT, la gestione degli asset digitali svolge un ruolo cruciale. La gestione degli asset prevede la raccolta di informazioni da asset digitali e sistemi software come reti OT, sistemi di controllo industriale (ICS) o sistemi di controllo e acquisizione dati (SCADA), e agire di conseguenza. Quando l’IT viene combinato e utilizzato insieme all’OT, si parla di convergenza IT/OT [7], che è il principale motore dell’adozione delle tecnologie digitali per un’organizzazione abilitata all’OT e un catalizzatore per la trasformazione dei dati operativi. In un ambiente di produzione, il livello OT si occupa dell’interfacciamento con il livello di generazione dei dati. Il diagramma a blocchi di un sistema convergente IT-OT-CT è rappresentato nella figura 4.

FIGURA 4Un modello generico per la convergenza IT, OT e CT [7]

Esaminando l’interazione tra vari sistemi software e una piattaforma, è possibile avere una comprensione più approfondita di come i dati vengono trasformati da fonti multiple per operazioni analitiche, come l’ambiente dell’internet delle cose industriali (IIoT) [8], che costituisce la base per l’industria 4.0. La figura 5 illustra l’interconnessione e la digitalizzazione di un tipico sistema convergente IT-OT nell’ambiente IIoT.

FIGURA 5Interconnessione e digitalizzazione dell'architettura dei sistemi nell'IIoT [8]

Pertanto, per riprogettare efficacemente processi consolidati e indirizzare gli sforzi dei dipendenti, è importante capire come diverse applicazioni aziendali vengono utilizzate in tutta l’organizzazione. Il software che può raggiungere lo stesso risultato deve essere in grado di “evidenziare” i log degli eventi e le interazioni degli utenti associate alle applicazioni utilizzate. In termini tecnici, lo strumento dovrebbe essere in grado di interagire in modo trasparente con diversi database senza installare driver o hardware aggiuntivi, e quindi dovrebbe avere la capacità di comunicare continuamente con il livello di connettività del database aperto (ODBC) [9] di vari sistemi software per lo scambio di dati. ODBC fornisce un’interfaccia standard tra l’applicazione e la fonte di dati, consentendo al software o strumento di process mining di stabilire una connessione con diversi sistemi di gestione di database (DBMS). L’architettura ODBC generica è mostrata nella figura 6, che costituisce la base per l’infrastruttura di recupero dati e i requisiti IT per consentire il process mining in tutta l’organizzazione.

FIGURA 6L'architettura ODBC generica [9]

L’architettura per l’accesso ai dati tramite ODBC è composta da quattro livelli, con il livello dell’applicazione che chiama le funzioni API (interfacce di programmazione delle applicazioni) di ODBC per emettere query SQL (linguaggio di interrogazione strutturato) e recuperare dati. Il gestore dei dispositivi carica i driver ODBC e indirizza le chiamate alle funzioni verso l’interfaccia ODBC, mentre il driver aiuta nel recupero dei dati dalla sorgente.

Per prendere decisioni aziendali efficaci, i dati devono essere raccolti da risorse multiple come un sistema ERP (pianificazione delle risorse dell’azienda), repository finanziari come un database Oracle o un sistema SAP, o da asset digitali come sensori e trasduttori, ecc., e inglobati in una piattaforma condivisa tramite il livello ODBC per l’analisi dei log degli eventi e dei modelli di interazione degli utenti. Tuttavia, tali sistemi connessi sono vulnerabili agli attacchi informatici, quindi la sicurezza informatica e i protocolli di comunicazione crittografati [10] sono cruciali per proteggere lo scambio di dati tra la fonte dei dati e la piattaforma.

Conclusioni:

In conclusione, la collaborazione tra process mining e trasformazione digitale è una forza trainante dietro la gestione dei processi aziendali di successo nel panorama dell’industria 4.0. La capacità del process mining di analizzare i processi e rivelare intuizioni, combinata con tecniche di trasformazione digitale come la convergenza IT-OT e lo scambio sicuro di dati, permette alle organizzazioni di ottimizzare i flussi di lavoro, prendere decisioni informate e raggiungere l’eccellenza operativa. Questa sinergia consente alle imprese di adattarsi al panorama in evoluzione, migliorare l’efficienza e mantenere un vantaggio competitivo nell’era digitale.

Riferimenti:

1. van der Aalst, W.M.P., “Process Mining: Una panoramica a 360 gradi” in: Process Mining Handbook. Lecture Notes in Business Information Processing ed. van der Aalst, W.M.P., Carmona, J. (UK, Springer, Cham., 2022), 3–34, https://doi.org/10.1007/978-3-031-08848-3_1

2. Jambak MI, Mohruni AS, Jambak MI, Suherman E, “Il metodo di process mining per analizzare il comportamento degli utenti di Internet nella rete locale dell’Università di Sriwijaya”, SINERGI 6, n. 2 (giugno 2022):145–154, https://doi.org/10.22441/sinergi.2022.2.003

3. Leewis, Sam; Berkhout, Matthijs; e Smit, Koen, “Sfide future nell’estrazione delle decisioni presso le istituzioni governative” (presentazione del paper, Atti di AMCIS 2020 6, Advances in Information Systems Research, Salt Lake City, Utah, 2020)

4. Wil van der Aalst, “Leadership europea nella gestione dei processi”, Communications of the ACM 65, n. 4 (aprile 2022): 80–83, https://doi.org/10.1145/3511595

5. P. V. M. V. D. Udovita, “Revisione concettuale sulle dimensioni della trasformazione digitale nell’era moderna”, International Journal of Scientific and Research Publications 10, n. 2 (febbraio 2020):520–529, http://dx.doi.org/10.29322/IJSRP.10.02.2020.p9873

6. Tóth, A., & Ge, M., “Un’architettura di Data as a Service implementabile per le aziende” (presentazione del paper, 6th International Conference on Internet of Things, Big Data e Security, IoTBDS, Setubal, Portogallo, 23–25 aprile 2021)

7. M. Felser, M. Rentschler, O. Kleineberg, “Standardizzazione della coesistenza della tecnologia operativa e della tecnologia dell’informazione”, Proceedings of the IEEE 107, n. 6 (marzo 2019):962–976, https://doi.org/10.1109/JPROC.2019.2901314

8. Soujanya Mantravadi, Reto Schnyder, Charles Møller, Thomas Ditlev Brunoe, “Sicurezza dei collegamenti IT/OT per dispositivi IIoT a basso consumo energetico: considerazioni di progettazione per l’industria 4.0”, IEEE Access 8, (novembre 2020):200305–200321, https://doi.org/10.1109/ACCESS.2020.3035963

9. Alexander Baklanov, Olga Baklanova, Svetlana Grigoryeva, Saule Kumargazhanova, Indira Sagynganova, Yuriy Vais, “Lo sviluppo di un’architettura IP ibrida per risolvere i problemi dei sistemi di riscaldamento”, Acta Polytechnica Hungarica 17, n. 1 (2020): 123–140, https://doi.org/10.12700/aph.17.1.2020.1.7

10. Dhirani, L.L., Armstrong, E.; Newe, T., “Industrial IoT, Minacce informatiche e panorama degli standard: valutazione e roadmap”, Sensors 21, n. 11 (2021): 3901, https://doi.org/10.3390/s21113901