Den danske blog om Process Mining

Se hvordan din salgsproces kan optimeres og give mere salg uden du bliver belastet af et langvarigt workshop forløb

 

 

Kunne det ikke være dejligt hvis din salgsproces kunne kigges efter i sømmene og optimeres, så der kommer mere salg igennem?

 

Svaret siger næsten sig selv. Problemet har bare ofte været, at det krævede en hel del arbejde - både for eksterne proceskonsulenter, men også for interne forretningsspecialister. For der skulle afholdes workshops, hvor processen skulle tales igennem, afholdes brown-paper sessioner, foretages interviews med nøglepersoner osv.

 

Der findes nu en genvej til viden omkring processen, hvor de data der allerede findes i virksomhedens IT systemer lægges til grund process mining teknikker og derigennem illustrerer processen, processens afvigelser, flaskehalse og uhensigtsmæssigheder.

 

 

Det er Big Data gjort operationelt.

 

Det fungerer sådan, at data trækkes ud af det eksisterende salgs system. Det kunne for eksempel være SalesForce.

 

I et typisk salgssystem er der gemt mange data vi kan bruge til at give et billede af processen og hvordan den performer - baseret på faktuelle informationer. Følgende informationer er typisk allerede gemt i systemerne:

• Proces status
• Dato
• Tidspunkt
• Person
• Team
• Afdeling
• Land

 

Proces status kan for eksempel være trinnene Prospekt --> Behøver Analyse --> Tilbud --> Forhanling --> Kontraktoplæg --> Kontrakt lukket 

 

Dernæst indlæses salgsdata i vores process mining værktøj. Da dataene er de faktuelle informationer om hvordan hver sag har førløbet er det muligt med avancerede algoritmer at tegne processen inklusiv afvigelser, at påvise uhensigtsmæssigheder, flaskehalse og brud på proces guidelines.

 

 

Man kunne for eksempel forestille sig at belyse følgende spørgsmål identificeret i samarbejde med salgschefen:

 

1. Hvordan ser DNAen for den mest succesfulde salgs proces ud?
2. Hvilket procesmønster fører til flest lukkede ordrer?
3. Hvor mange sager tager længere tid at lukke end de 21 dage der er vores mål? og hvilket procesmønster har de? hvorfor tager det så lang tid, hvor er flaskehalsene?

 

Var dette blog indlæg interessant læsning? hvis ja, venligst del den da venligst med andre og kontakt os hvis din salgsproces skal optimeres.

 

Kan mindre virksomheder også få værdi ud af big data

 

Ja, det kan de bestemt. Ifølge en nylig engelsk undersøgelse er mindre og mellemstore virksomheder ofte skeptiske overfor at udnytte big data, da det ofte traditionelt har været forbundet med relativt store omkostninger og en nogengange uoverskuelig kompleksitet, der gør det svært at gå til.

 

 

  

 

Men hvordan får vi fat i de big data? er det de ustrukturerede enorme mængder af data fra sociale medier såsom FaceBook, Twitter osv.?

 

Og når vi endelig har fået fat på data, hvordan bærer vi os ad med at strukturere dem, analysere dem og få dem til at give mening for vores forretning?

 

Spørgsmål som disse er ofte barrierer, der blokerer mindre virksomheder fra at forfølge indsigt og viden fra big data - deres egne data. Og det er synd og skam for ifølge den før omtalte engelske undersøgelse, var der ingen af de 541 involverede virksomheder, der var begyndt at udnytte viden gemt i deres big data.

 

Det der er det rigtigt ærgerlige er, at disse virksomheder går glip af den indsigt og viden, der findes i deres egne data. Procesforbedringer og viden om hvordan gennemløbstid og omkostninger kan forbedres kommer aldrig frem i lyset. Uden den viden kan der ikke skabes forbedret konkurrencesituation for virksomheden - trist, når nu viden ligger lige foran fødderne på os.

 

 

Med process mining kan mindre virksomheder også være med

 

Process mining har den fordel, at der tages udgangspunkt i de data, der allerede findes i virksomhedens IT systemer. Vi skal altså ikke først ud og finde data. 

 

Dernæst tager process mining afsæt i avancerede algoritmer og teknikker til automatisk at tegne proces landskabet op og foretage proces analyser omkring uhensigtsmæssigheder, flaskehalse og lignende. Det smarte for virksomheden er, at virksomhedens ansatte ikke belastes. Der afholdes ikke en række workshops og interviews for at nå til værdifuld indsigt.

 

Det er big data gjort nemt

 

Det nemme ligger i process minings tilgang til big data analyse.

 

 

For det første er big data med process mining gjort mindre udefinerbart. Kompleksiteten og uoverskueligheden omkring hvor de big data findes, og hvordan de helt ustrukturerede data kan komme til at give nogen som helst form for værdi, er helt fjernet. Med process mining tages der nemlig fat i de data der allerede ligger gemt i virksomhedens systemer.

 

Tag nu for eksempel den New York'ske ismand på billedet ovenfor. Han har garanteret et mindre setup af regnskabssystem, CRM system og måske andre mindre systemer. De gemmer alle data omkring hans forretningsproces - for eksempel indkøbsprocessen.

 

Med proess mining finder vi de relevante data i systemerne --> eksporterer dem til excel --> importerer dem i vores process mining værktøj --> og der foretager analyserne. Nemmere og mere håndgribeligt kan det næsten ikke være for virksomheden. 

 

Det faktum at data tages ud af de systemer, hvor de er gemt for at arbejde videre med dem, giver nogle fordele. For det første er det ikke nødvendigt at have direkte og løbende adgang til systemerne. For det andet kan data nemt anonymiseres, inden de bliver del af analysen.

 

 

 

De mindre virksomheder er på vej på big data vognen

 

Selvom de mindre virksomheder i dag ikke rigtigt er kommet i gang med at udnytte deres big data, tyder meget på, at de er kraftigt på vej. De engelske virksomheder der blev undersøgt afslører, at det hovedsagligt er de større virksomheder, der udnytter big data analyse i øjeblikket.

 

Men de mindre virksomheder er på vej med på vognen. med process mining er der en oplagt mulighed for de mindre virksomheder for at udnytte den slagkraft, der ligger i big data analyse - simpelthen fordi tilgangen er helt uden barrierer.

 

 

 

Var dette blog indlæg interessant læsning? hvis ja, venligst del den da venligst med andre og kontakt os hvis du vil vide mere om hvordan din forretning kan optimeres.

  

Big Data skaber vækst

 

 

Google's cheføkonom Hal Varian var en af de første, der sagde det:

 

 

"Vor tids mest sexede jobs bliver jobbet som statistiker" eller Data Scientist om man vil.

 

Noget tyder på at han får ret. Ifølge IBM vil der på globalt plan blive skabt 4,4 millioner Data scientist jobs i 2015 - men kun en trediedel af dem vil kunne blive besat med det samme.

 

Og hvorfor er det nu sådan? jo, det er big data revolutionen, der ruller ind over os. Den stærkeste trend indenfor IT i øjeblikket er, at virksomheder indsamler store mængder af data og analyserer disse for at give dem værdifuld viden om forretningen, hvordan den performer, hvordan den kan forbedres og hvordan der kan skabes konkurrencemæssige fordele.

 

Big Data kan drive væksten

 

Erhvervsstyrelsen i Danmark har netop udgivet rapporten "Big data som vækstfaktor i dansk erhvervsliv". Her konkluderes det, at der er et enormt vækstpotentiale i brugen af big data. Desuden påpeges det, at udviklingen indenfor big data blandt andet er drevet af, at big data kan bruges til at differentiere sig i forhold til fx internationale konkurrenter, der har prisbillige produkter. Vi taler altså om viden fra data og optimering af forretningen, der kan give et boost i konkurrenceevne.

 

Det samme er konkluderet i en rapport udgivet af tænketanken demosEUROPA (Centre for European Strategy Foundation). Her siger beregningerne, at EUs økonomi potentielt kan vokse med hele 1,9% når vi når til år 2020, som et resultat af at benytte big data aktivt (se omtale her).  

 

Hvad skal virksomhederne gøre?

 

Få ekspertise

Har man ikke profilerne (og de er jo åbenbart svære at få fat i, de Data Scientists) så knyt eksperter til jer. Skab et forhold til dem og en langvarig relation. Big data analyser er nemlig ikke en engangs forestilling, men en proces der skal gentages og forfines.

 

Få fat i de rigtige værktøjer

Det er vigtigt, at bruge de rigtige værktøjer. Der bør lægges vægt på ekstrem brugervenlighed og let tilgængelighed, ellers ender man med at bruge for meget energi på værktøjerne og for lidt energi på at forstå data og få værdi ud af dem.

 

Få styr på data

Det kan lyde banalt, men det er vigtigt, at data indsamles struktureret. Data er ikke altid tilgængelige i tilstrækkelig kvalitet. Derfor er det vigtigt, at der er fokus på at begynde struktureret at indsamle og få styr på data.  

Ifølge Forbes Magazine går 80% af tiden i big data projekter med at indsamle data - her har process mining til gengæld den fordel, at de big data der analysers på allerede findes i IT systemerne.

Langt de fleste processer er i dag understøttet af IT. Tænk for eksempel på en salgsprocess. Det er registreret i IT systemer, når der er oprettet en ordre. Det er registreret i IT systemer, når kunden faktureres. Det er registreret i IT systemer, når betaling er modtaget. Det er registreret i IT systemer, når varerne er afsendt. Alle disse proces trin findes allerede i IT systemerne.

Når de data trækkes ud af IT systemerne, kan process mining værktøjer automatisk tegne As-Is proces diagrammerne og identificere forretningsforbedrings muligheder - uden involvering af forretningens nøglepersoner. Se også: Process Mining forklaret i korthed

 

Sats på visualisering

Er big data ikke visuelt, er det ikke noget værd. Big data er præget af ustrukturerede data (nogengange i svingende kvalitet) og ustrukturerede processer. Disse skal omsættes til noget, der er fordøjeligt for almindelige mennesker og der er visualisering ikke til at komme uden om.

 

Forbes Magazine opsummerer det således: “Straightforward access to a broad variety of data is a key...for driving innovation and efficiency.”

 

I en nylig udgave af Harvard Business Review magasinet, skrev Thomas Davenport i artiklen "Analytics 3.0" - "…companies need a capable discovery platform for data exploration.”

 

Det er bare med at komme i gang. Erhvervsstyrelsen konkluderer, at big data er en vækstfaktor og når først konkurrenterne begynder at udnytte mulighederne for at fintune forretningen, er det med at følge med. Det er stadig få virksomheder, der har big data initiativer kørende og ifølge IBM har kun 6% implementeret 2 eller flere big data initiativer

 

- men det kan blive surt at blive den sidste der udnytter disse muligheder - og hvem vil ikke gerne have et af de sexede jobs, Hal Varian taler om?

 

 

Hvad er forskellen på process mining og data mining

 

 

Data mining og process mining er nogle af de begreber der er meget fremme, når snakken falder på big data.

 

Big data er data, der findes overalt og det er analysen af disse data, der har født og givet navn til en række teknikker - heriblandt Data Mining og Process Mining.

 

Både Data Mining og Process Mining går ind under den betegnelse, der kaldes Business Intelligence. Business Intelligence dækker over teknikker og værktøjer, der bruges til at analysere store mængder digitale data og hente værdifuld forretningsviden ud af dem. Og det gør både data mining teknikker og process mining teknikker - dog med forskelligt perspektiv på analysen og det resultat de frembringer.

 

Lad os se på nogle af lighederne mellem de to:

 

• Begge teknikker benyttes til at analysere store data mængder, som det ville være umuligt at analysere manuelt
• Begge teknikker frembringer information, der kan bruges til at træffe forretningsmæssige valg
• Begge teknikker bruger "mining teknikker" hvor algoritmer traver gennem store data mængder og leder efter mønstre og sammenhænge

 

Der er naturligvis en del ligheder, da begge teknikker kan katagoriseres som Business Intelligence. Men som nævnt har de to teknikker forskellige perspektiver og forskelle.

 

Forskellene mellem Data Mining og Process Mining

 

• Data mining teknikker benytter multidimensionelle views (kuber) på data mændger, hvor der kan drilles op og ned i niveauerne. For eksempel kan et salg af et produkt have de relaterede dimensioner pris, produktkategori, kunde, region, land, område, dag, måned, kvartal, år og så videre og det er så muligt at slice og se på kuben af data og aggregerede data på forskellige måder.
• Data mining teknikker bliver primært brugt til at finde mønstre i store data sæt. Med data mining teknikker kan man måske finde ud af, at det er bestemte kunde kategorier, der efterspørger et bestemt produkt, eller at de kunder der hyppigst køber produkt A også er dem der hyppigst køber produkt B, eller at de produkter der står på et bestemt sted i butikken samtidigt med der køres kampagne for dem, også er dem der sælger bedst. Jeg kan huske et engelsk varehus der, gennem data mining teknikker, fandt ud af, at de kunder der omsatte mest også var dem der oftest købte en helt speciel italiensk ost, der ellers ikke var meget omsætning på. Traditionelt forsøger detailhandlen at fjerne produkter med meget lav omsætningshastighed og erstatte dem med varer med bedre salg - problemet er bare at fjernelsen af varer efter det princip kunne føre til, at de bedst omsættende kunder, måtte søge et andet sted hen.
• Inputtet til data mining er tabeller med data
• Process mining bliver ikke brugt til at finde årsags mønstre, men snarere til at finde sammenhænge i data. Sammenhænge der giver overblik over processer og hvilke aktiviteter der er i processen, samt afvigelser og proces performance såsom gennemløbstid, flaskehalse og uhensigtsmæssigheder.
• Process minings perspektiv er ikke på mønstre i data men på den proces som data repræsenerer.  
• Formålet med process mining er at finde information om forretningens processer
• Inputtet til process mining analyse er event logs, audit trails, data stemplet i systemer og hændelser.

 

 

Process Mining danner bro mellem data mining og Business Process Management

 

 

Process mining er det "missing link" mellem data mining og traditional BPM (Business Process Management). Data mining giver værdifuld indsigt gennem analyse af data, men er generelt ikke centreret omkring processer. Det er her process mining kommer ind i billedet og giver muligheden for at få de samme fordele, der er ved data mining under arbejdet med processer og procesforbedringer. 

 

Proces kortlægning kan foretages med mining teknikker i stedet for brown-paper workshops og interviews. Og proces performance analyse kan foretages på eksisterende data med mining teknikker uden først at indsamle data gennem arbejdsstudier.

 

 

 

Var dette blog indlæg interessant læsning? hvis ja, venligst del den da venligst med andre og kontakt os hvis din forretning skal optimeres.