什么是任务挖掘？

这项技术使用光学字符识别 (OCR)、自然语言处理 (NLP) 和 机器学习算法来解析和分析这些数据，从而使分析人员和相关方能够识别运营低效之处。

任务挖掘解决方案被视为流程发现的一部分，而流程发现又是流程挖掘的一个子集。根据 Gartner 的 “Market Guide for Process Mining”，这项技术的市场正快速增长。

随着新冠疫情持续推动数字化转型，预计随着任务挖掘技术优势的全面显现，其采用率将进一步提升。

流程挖掘专注于端到端的流程优化，例如整体采购流程。相比之下，任务挖掘关注构成更大流程的各个单独任务，例如应付账款的预算审批。它们的主要区别还在于分析所使用的数据类型。

流程挖掘主要依赖来自信息系统（如企业资源规划 ERP 或客户关系管理 CRM 工具）的业务指标和事件日志数据。相比之下，任务挖掘可以使用用户交互数据，包括计算机上的按键、鼠标点击或数据输入。也可以包括不同时间戳间隔的用户录制和屏幕截图。

这些数据点帮助分析人员和研究人员了解个体如何与流程及子流程进行交互以完成任务。两者都使用数据科学技术来获得这些洞察以优化流程；任务挖掘只是使这一过程在更细粒度的层面上得以实现。

尽管任务挖掘与 RPA 均专注于流程自动化，但两项技术各有不同且能良好互补：任务挖掘技术帮助企业识别流程中的瓶颈，而 RPA 工具则负责实施并通过执行来实现这些分析所发现的自动化机会。

任务挖掘工具首先从用户的计算机收集数据，这些数据可以包括按键、点击、用户输入、录制内容、屏幕截图等。随后，光学字符识别功能可以提供更多关于用户操作的上下文信息。

例如，它可以查看时间戳数据，以帮助构建子流程中活动的一般时间线。一旦数据得到适当结构化，机器学习算法可以用于将数据聚类为子流程中的具体任务，例如“提交采购订单”。

然后，这些数据可以与事件日志数据结合，以帮助对性能表现进行情境化分析。这种基于数据的洞察帮助企业识别瓶颈并采取必要措施加以解决。

任务挖掘技术已被用于改善各行各业的流程。流程图可以帮助企业更多地关注关键绩效指标 (KPI)，促使其通过流程挖掘和任务挖掘重新审视运营低效之处。

任务挖掘的一些用例包括：

• 任务文档：随着新团队成员加入，可能会反复查阅文档来弥补知识缺口。然而，根据项目和可用资源的不同，文档可能不可用或未更新。任务挖掘工具为团队提供了一种方式，可以洞察更大流程中的某个任务，从而在团队内部实现一致性。它还减少了对个人依赖的需求，并通过流程映射和其他自动化工具提供了一种便捷的方式来创建文档和可视化内容。
• 治理与合规：随着企业面临更严格的政府监管，任务挖掘可以通过识别合规错误发生的环节来帮助企业承担责任。这种可视性为更快速地解决这些问题提供了途径，可能为企业节省成本，例如法律费用和负面品牌宣传。
• 任务自动化：任务挖掘可以更清晰地了解具体子流程，从而使项目经理和人员经理能够识别哪些流程环节可以通过 RPA 等工具实现自动化。

尽管任务挖掘可以带来多种好处，但最常实现的收益包括：

• 提高效率：任务挖掘专注于识别操作瓶颈，从而加快流程改进。当这些低效环节被发现并纠正后，公司在各项任务上的执行速度会提高。如果流程中的某项任务资源过剩，还可以将员工重新分配到其他优先工作，从而通过让员工从事更有意义的工作来提升士气。
• 更好的合规性：任务挖掘工具从用户处收集数据，使治理团队能够确定特定任务中的合规性问题。快速定位并解决这些问题的能力，有助于在整个企业中实现更好的治理和合规管理。
• 更高的透明度：任务挖掘可以在个人层面提供员工洞察，使管理者能够在绩效评估中提供有价值的反馈，并公平地奖励员工的工作表现。它还可以帮助管理者在员工不太适合某项工作时，将其重新分配到其他工作岗位。

然而，任务挖掘并非没有挑战。一些主要困难包括：

• 数据隐私：任务挖掘可以记录和跟踪用户操作，但也可能引发隐私问题。因此，在激活这些工具之前，应获得用户的同意，并通过适当的匿名化措施保护用户的个人数据。
• 缺失上下文：由于任务挖掘关注的是更大流程中的子流程，因此整体绩效的上下文有时可能会丢失。将任务挖掘与流程挖掘结合使用，可以更全面地了解团队整体绩效。否则，企业可能会优先优化对业务影响不大的任务。
• 概念漂移：随着企业加速数字化转型，任务和流程可能会实时变化。任务和流程的变化可能会影响分析结果，从而导致概念漂移。