Bayangkan ini:
Untuk mengatasi semua masalah ini, peningkatan otomatisasi tampaknya dapat membantu. Bagaimanapun, Anda tidak dapat terus meminta tim untuk menangani lebih banyak pekerjaan dalam jangka waktu yang sama, dan pemrosesan otomatis yang lebih efisien dapat membantu mengatasi sebagian masalah tersebut. Otomatisasi dapat menangani tugas-tugas rutin sehingga membebaskan waktu karyawan untuk menangani masalah yang lebih kompleks dan meningkatkan kualitas layanan pelanggan.
Mungkin Anda telah menggunakan jasa konsultan eksternal yang menjelaskan berbagai keunggulan otomatisasi proses robotik (RPA), manajemen keputusan yang didukung AI, dan manajemen proses bisnis – dan solusi-solusi tersebut tampaknya berhasil diterapkan di organisasi lain. Mungkin Anda juga telah menerapkan RPA untuk tugas-tugas tertentu, tetapi penerapannya belum berhasil meningkatkan keseluruhan proses. Analis bisnis Anda telah menyusun peta proses, mewawancarai karyawan, dan mengidentifikasi beberapa kemungkinan sumber permasalahan. Namun, investasi dalam otomatisasi memerlukan kasus bisnis yang jelas agar manajemen bersedia menyetujui pengeluaran dana sebelum hasilnya terlihat — sejauh ini, kasus bisnis yang disusun masih belum cukup kuat. Anda pun belum yakin bahwa ROI yang diharapkan benar-benar dapat dicapai.
Apa yang hilang dalam skenario ini?
Dalam seluruh contoh di atas, manajemen memiliki intuisi yang cukup baik bahwa terdapat hal-hal yang perlu diperbaiki, dan KPI yang digunakan untuk mengukur kinerja bisnis menunjukkan adanya masalah. Namun, mengidentifikasi akar penyebab sebenarnya dan memastikan bahwa solusi yang diusulkan memberikan dampak yang diharapkan memerlukan pendekatan lain — menggunakan data aktual mengenai bagaimana proses bisnis dijalankan saat ini, melakukan analisis akar masalah berdasarkan data tersebut, serta menyimulasikan dampak otomatisasi menggunakan model yang secara akurat merepresentasikan cara kerja bisnis.
Proses penambangan membawa tautan yang hilang ke meja.
Process mining menyediakan alat dan metodologi yang Anda perlukan untuk mengungkap data yang menunjukkan bagaimana proses berjalan, bagaimana orang melaksanakan pekerjaan mereka, dan dari mana permasalahan berasal. Teknologi ini menyediakan kemampuan analitik untuk menelusuri proses bisnis secara lebih mendalam dan mengidentifikasi area tempat otomatisasi maupun perubahan proses lainnya dapat memberikan dampak terbesar. Selanjutnya, process mining dapat menyimulasikan bagaimana bisnis akan beroperasi dengan otomatisasi yang diterapkan, sehingga Anda dapat berfokus pada solusi yang memaksimalkan hasil yang diharapkan dan secara signifikan meningkatkan keyakinan bahwa investasi Anda dalam otomatisasi benar-benar akan memberikan hasil. Anda kemudian dapat menggunakan alat yang sama untuk mengukur peningkatan aktual dibandingkan dengan perkiraan dan membantu Anda melanjutkan perjalanan menuju otomatisasi.
Dalam bagian ini, kami akan menjelaskan berbagai tahapan dalam process mining serta sejumlah analisis yang tersedia untuk membantu Anda menyusun peta jalan otomatisasi berbasis data. Kami akan menggunakan IBM® Process Mining, yaitu versi MyInvenio yang telah disempurnakan oleh IBM®, sebagai alat utama. IBM® Process Mining menawarkan rangkaian kemampuan analitik dan simulasi yang sangat lengkap, serta terintegrasi dengan seluruh portofolio IBM® Automation. Kemampuan tersebut mencakup penambangan aturan bisnis, penambangan tugas, penambangan proses bertingkat, perbandingan dengan model referensi, serta pembuatan data simulasi untuk model proses guna memperoleh wawasan tanpa bergantung pada data historis.
Paradigma keseluruhan proses penambangan sangat mudah. Lihatlah diagram ini:
Gagasannya adalah beralih dari pengumpulan data eksekusi proses (yang diperoleh dari log sistem atau direkam melalui desktop pengguna) ke analisis data tersebut untuk memahami bagaimana proses berjalan, mengidentifikasi peluang otomatisasi yang signifikan, dan menyimulasikan dampak perubahan yang diusulkan menggunakan model yang dibuat selama analisis. Selanjutnya, Anda dapat membangun otomatisasi yang memberikan dampak terbesar dengan memanfaatkan RPA, manajemen keputusan, dan teknologi lainnya dalam perangkat otomatisasi. Untuk menyempurnakan siklus ini, Anda kemudian dapat mengukur dampak perubahan dengan mengumpulkan data baru dari proses yang telah diperbarui dan mengulangi siklus tersebut.
Mari kita bahas masing-masing area ini secara lebih terperinci, kemudian telusuri berbagai analisis dan alat yang dapat Anda gunakan untuk mengkaji proses bisnis dan TI Anda.
Langkah pertama dalam process mining adalah mengumpulkan data yang diperlukan untuk analisis. Tahap ini biasanya merupakan bagian yang paling banyak menyita waktu dalam suatu proyek process mining. Anda perlu mengidentifikasi lokasi penyimpanan data, cara mengaksesnya, serta cara memformat data tersebut agar dapat digunakan oleh alat process mining.
Kita mencari data yang menunjukkan bagaimana orang menjalankan suatu proses. Ada dua sumber utama data tersebut, yaitu log sistem dari sistem yang digunakan oleh orang-orang dan catatan aktivitas yang merekam tindakan mereka di desktop saat menjalankan proses.
Sistem yang digunakan mencakup sistem ERP, sistem CRM, sistem tiket TI, sistem akuntansi, dan sebagainya. Pertama-tama, Anda perlu menginventarisasi sistem yang digunakan oleh orang-orang dalam proses yang ingin Anda analisis, serta jenis informasi yang disimpan dalam masing-masing sistem tersebut. Sering kali, sistem-sistem ini mencatat setiap transaksi atau perubahan yang dilakukan pengguna ke dalam log atau basis data. Data yang dicari adalah log transaksi atau log peristiwa tersebut. Data tersebut harus mencakup tindakan yang dilakukan (tugas yang sedang dikerjakan), ID proses yang dijalankan (biasanya berupa nomor kontrak, nomor klien, nomor tiket, atau identitas sejenis), stempel waktu yang menunjukkan kapan peristiwa terjadi, pihak yang melakukan tindakan (ID pengguna), serta informasi lain yang mungkin relevan untuk analisis, seperti durasi yang dibutuhkan, hasil peristiwa, dan informasi penting lainnya.
Tahap proyek ini memerlukan keterlibatan tim TI yang memahami cara kerja sistem, lokasi akses data, serta format data yang digunakan agar data tersebut dapat dibaca dan dikonversi ke format yang sesuai untuk alat process mining. Untuk beberapa sistem, seperti SAP dan sistem lainnya, alat process mining menyediakan konektor siap pakai yang dapat menangani sebagian besar proses tersebut.
Sumber penting lainnya untuk memperoleh data yang bermanfaat adalah dengan mengamati aktivitas pengguna di desktop saat mereka menjalankan suatu proses. Kita dapat memasang perekam pada desktop dan mengonfigurasikannya untuk mencatat peristiwa setiap kali pengguna melakukan aktivitas yang berkaitan dengan pelaksanaan proses kerja mereka (sekaligus mengabaikan seluruh aktivitas lainnya untuk memastikan privasi aktivitas yang tidak terkait tetap terjaga). Selanjutnya, log peristiwa tersebut dapat dikirim ke server pusat untuk dikonsolidasikan dengan catatan dari seluruh pengguna lainnya. Setelah data yang terkumpul mencukupi, data tersebut dapat dimasukkan ke dalam alat process mining untuk dianalisis.
Log sistem dan task mining merupakan dua pendekatan yang saling melengkapi untuk memperoleh data historis eksekusi proses dan sering digunakan untuk tujuan yang berbeda. Log sistem cocok untuk melakukan analisis proses secara menyeluruh dan memperoleh gambaran besar, terutama untuk proses yang berfokus pada perubahan data dalam satu sistem atau sejumlah kecil sistem (misalnya, sistem ERP untuk akuntansi, sistem CRM untuk proses penjualan dan pemasaran, atau sistem tiket TI untuk layanan bantuan). Sementara itu, task mining cocok untuk menelusuri detail lebih lanjut, seperti tindakan yang dilakukan seseorang untuk menyelesaikan suatu tugas, kondisi saat tindakan tersebut dilakukan, variasi pelaksanaannya, dan sebagainya. Pendekatan ini sangat membantu ketika Anda mempertimbangkan untuk mengotomatiskan tindakan-tindakan tersebut menggunakan alat RPA yang berfokus pada detail-detail tersebut.
Setelah data peristiwa disiapkan dan dimasukkan ke dalam alat process mining, alat tersebut dapat menganalisis data untuk menghasilkan serangkaian visualisasi yang dapat digunakan untuk mengidentifikasi berbagai masalah.
Salah satu visualisasi analitik dasar adalah peta proses, yang menunjukkan serangkaian tugas yang dijalankan selama proses berlangsung serta bagaimana tugas-tugas tersebut saling terhubung — termasuk tugas mana yang mengikuti tugas lainnya dan urutan pelaksanaannya. Karena suatu proses dapat mengikuti urutan yang berbeda bergantung pada jenis kasusnya, peta proses menampilkan berbagai "varian proses" yang telah digunakan. Selain menampilkan peta proses, analitik juga dapat menunjukkan tugas dan varian proses mana yang paling sering dijalankan, paling banyak menghabiskan waktu, atau paling mahal. Hal ini memberikan petunjuk awal untuk mengidentifikasi masalah — tugas dan varian urutan yang paling sering muncul, paling banyak menghabiskan waktu, atau paling mahal merupakan kandidat yang tepat untuk ditelusuri lebih lanjut.
Gambar di bawah ini menunjukkan cara kerja proses tersebut. Setiap tugas dalam proses direpresentasikan oleh kotak berlabel. Semakin gelap warna kotak, semakin sering tugas tersebut dieksekusi dalam kumpulan data yang disediakan. Angka di dalam kotak menunjukkan jumlah eksekusi tugas. Sebagai contoh, tugas “Permintaan Otorisasi” dieksekusi sebanyak 46.415 kali. Panah menunjukkan urutan hubungan antartugas, yaitu tugas mana yang mengikuti tugas lainnya. Dalam kasus ini, tugas “Otorisasi Diminta” diikuti oleh tugas “Penutupan Layanan BO” sebanyak 44.560 kali (kemungkinan, 1.855 kasus sisanya ditolak atau masih tertunda ketika data dianalisis):
Ini mulai menjadi lebih menarik ketika kita melihat waktu yang dihabiskan di antara berbagai tugas:
Warna yang lebih gelap menunjukkan bahwa lebih banyak waktu dihabiskan untuk menyelesaikan tugas tersebut. Kita dapat melihat beberapa tugas yang tampak menjadi sumber masalah — “Permintaan Tertunda untuk Informasi Jaringan” dan “Penyesuaian Jaringan Diperlukan”, yang tampaknya membutuhkan waktu cukup lama untuk diselesaikan. Mungkin ada cara untuk mengotomatisasi permintaan informasi jaringan dan penyesuaian jaringan agar proses tersebut dapat diselesaikan lebih cepat? Contoh ini menunjukkan betapa besar manfaat informasi semacam ini.
Anda juga dapat melihat jalur mana melalui tugas yang terjadi dengan frekuensi berapa, yang merupakan petunjuk lain untuk menemukan masalah:
Dalam contoh ini, jalur yang disorot merupakan jalur yang paling sering digunakan dalam proses tersebut, yaitu sebesar 27,8% dari seluruh eksekusi, dengan durasi rata-rata 19 hari dan 13 jam. Jika kita dapat meningkatkan varian ini terlebih dahulu, kemungkinan besar hal tersebut akan memberikan dampak terbesar terhadap keseluruhan proses. Dalam varian ini, tidak terdapat aktivitas Permintaan Informasi Jaringan maupun Permintaan Penyesuaian Jaringan. Oleh karena itu, gagasan kita sebelumnya mungkin bukan area yang tepat untuk ditelusuri. Jika tugas-tugas tersebut jarang dieksekusi, memperbaikinya tidak akan memberikan dampak berarti terhadap KPI secara keseluruhan, meskipun peningkatannya cukup signifikan.
Namun, bagaimana kita dapat melihat KPI tersebut? Alat ini memungkinkan kita menghitung KPI berdasarkan data yang tersedia serta melihat bagaimana KPI tersebut berubah pada berbagai area yang kita tinjau. Perhatikan gambar berikut:
Di sini, kita dapat melihat bagaimana KPI (yaitu, pembelian di luar prosedur yang ditetapkan atau maverick buying) dapat ditampilkan dalam konteks varian proses. Dalam contoh ini, kita dapat melihat jumlah pembelian di luar prosedur yang ditetapkan dari waktu ke waktu serta rinciannya berdasarkan vendor. Hal ini dapat membantu kita mengidentifikasi produk dan vendor tertentu yang perlu menjadi fokus untuk mengurangi pembelian tersebut. Selanjutnya, kita dapat mempertimbangkan penerapan peringatan otomatis atau pengalihan alur proses ketika pesanan pembelian untuk vendor tersebut terdeteksi.
Petunjuk lain untuk mengidentifikasi penyimpangan proses dapat diperoleh melalui pemeriksaan kesesuaian — menemukan varian proses yang tidak sesuai dengan peta proses yang telah ditetapkan sebagai acuan mengenai bagaimana proses seharusnya berjalan. Di IBM® Process Mining, Anda dapat mengunggah “model referensi” yang menunjukkan bagaimana proses bisnis seharusnya dijalankan sesuai ketentuan, misalnya dengan menggunakan peta proses yang dibuat melalui BlueWorks Live. Analisis kemudian dapat membandingkan model referensi tersebut dengan data aktual dan menunjukkan ketidakkonsistenan. Hal ini biasanya menjadi titik awal yang baik untuk mengidentifikasi kesalahan dan masalah.
Gambar di bawah ini menunjukkan bagaimana pemeriksaan kesesuaian ditampilkan dalam alat tersebut. Dalam contoh ini, kita dapat melihat bahwa terdapat 39.300 kasus yang tidak sesuai, sementara tugas yang ditandai dengan warna merah menunjukkan aktivitas yang tidak diharapkan dalam varian proses tertentu. Selain itu, kita juga dapat melihat bahwa alat tersebut telah menghitung biaya sebesar 3.439 USD untuk setiap kasus ketidaksesuaian, berdasarkan waktu yang dihabiskan dan biaya tenaga kerja:
Alat ini memiliki banyak cara lain untuk menampilkan informasi dan menelusuri data. Beberapa di antaranya termasuk yang berikut:
Masih banyak lagi. Saat Anda mendapatkan keahlian dengan alat ini, Anda akan menemukan banyak cara baru untuk mendapatkan wawasan tentang bisnis Anda.
Setelah memahami proses bisnis Anda dengan lebih baik, kini saatnya menentukan langkah-langkah yang perlu diambil untuk meningkatkan proses tersebut. Ada banyak hal yang dapat dilakukan, tetapi mari kita fokus pada salah satu area yang sangat bermanfaat dalam process mining — penggunaan bot RPA untuk mengotomatisasi tugas-tugas yang menjadi hambatan guna meningkatkan kelancaran keseluruhan alur proses.
Bot RPA pada dasarnya mereplikasi tindakan manusia yang berulang di desktop agar dapat dijalankan secara otomatis dan lebih efisien, sehingga membebaskan karyawan untuk mencurahkan waktu mereka pada aktivitas yang membutuhkan pemikiran lebih mendalam. Tugas yang cocok untuk diotomatisasi menggunakan bot RPA adalah tugas yang sering dilakukan dan bersifat repetitif, yang dapat menghemat waktu melalui otomatisasi serta memberikan dampak positif secara keseluruhan terhadap KPI bisnis (misalnya, mempercepat waktu penyelesaian keseluruhan proses, sehingga dapat meningkatkan kualitas layanan pelanggan atau memastikan kepatuhan terhadap tenggat waktu yang ditetapkan oleh peraturan).
Setelah membuat bot RPA, Anda dapat mereplikasi dan menjalankannya di berbagai desktop virtual, dan Anda juga dapat menggabungkan aktivitas manusia dengan aktivitas otomatis, bergantung pada sejauh mana Anda ingin mengembangkan solusi RPA.
Saat menggunakan task mining dengan IBM® Process Mining, alat ini membantu Anda mengidentifikasi kandidat tugas yang paling tepat untuk diotomatisasi menggunakan RPA. Perhatikan tangkapan layar berikut:
Di sini, alat process mining telah mengidentifikasi dua aktivitas yang berpotensi memberikan dampak positif signifikan terhadap keseluruhan proses apabila diotomatisasi menggunakan bot, yaitu Penutupan Layanan Jaringan dan Penutupan Layanan BO. Selain itu, tersedia parameter yang dapat disesuaikan untuk memperkirakan dampak keseluruhan berdasarkan persentase tugas yang diotomatisasi menggunakan bot serta jumlah varian tugas yang disertakan dalam bot. Berdasarkan parameter saat ini, perkiraan penghematan per instance proses adalah 369,36 USD sedangkan total penghematan berupa kapasitas tenaga kerja manusia yang dapat dialihkan ke aktivitas lain diperkirakan mencapai 43.054,76 USD untuk 116.566 kasus dalam kumpulan data ini. Hal ini menunjukkan bahwa kedua aktivitas tersebut merupakan kandidat yang layak untuk diotomatisasi secara efektif.
Sekarang, kita juga dapat mensimulasikan eksekusi proses keseluruhan dalam skenario RPA ini. Lihat gambar di bawah ini:
Dalam contoh ini, kami telah menjalankan simulasi dengan mengganti persentase tertentu dari tugas yang semula dilakukan oleh manusia dalam data asli dengan bot RPA yang mampu menjalankan tugas tersebut jauh lebih cepat. Hasil simulasi menunjukkan bahwa rata-rata waktu penyelesaian keseluruhan proses penutupan akun turun dari 18 hari dan 16 jam menjadi 16 hari dan 6 jam — menghasilkan penghematan waktu keseluruhan sebesar 10%, yang berdampak langsung pada kepuasan pelanggan dan kepatuhan terhadap peraturan. ROI dari otomatisasi ini menjadi jelas dan terukur, baik dari segi penghematan finansial maupun peningkatan KPI.
Langkah selanjutnya adalah membuat dan menerapkan bot RPA, kemudian mulai mengevaluasi dampak nyata dari perubahan tersebut menggunakan alat dan konfigurasi process mining yang sama. Hal ini memungkinkan kita untuk memastikan apakah ROI yang diharapkan benar-benar tercapai sekaligus mengidentifikasi rangkaian otomatisasi berikutnya yang dapat meningkatkan proses bisnis. Siklus pemantauan, pengukuran, dan otomatisasi proses yang berkelanjutan inilah yang akan mendorong peningkatan bisnis secara berkesinambungan — siklus ini juga merupakan salah satu pendorong utama antusiasme terhadap process mining sebagai terobosan teknologi berikutnya dalam otomatisasi.
Kita telah melihat bagaimana data eksekusi proses bisnis dapat dikumpulkan dan dianalisis secara terperinci untuk memahami bagaimana bisnis benar-benar beroperasi. Selanjutnya, hasil analisis tersebut dapat dimanfaatkan untuk mengembangkan otomatisasi yang mendorong peningkatan signifikan dalam bisnis, baik melalui penghematan biaya maupun peningkatan kepuasan pelanggan.
Namun, sejauh ini kita baru menyentuh sebagian kecil dari potensi yang dapat dimanfaatkan melalui process mining — berikut adalah beberapa area lain yang juga dapat memperoleh manfaat dari penerapan process mining:
Kini Anda dapat memahami mengapa process mining menimbulkan antusiasme di pasar dan mengapa teknologi ini merupakan langkah awal terbaik dalam perjalanan Anda untuk mengotomatisasi bisnis.
Pastikan Anda mendengarkan podcast The Art of Otomatisasi, terutama Episode 17, yang merupakan sumber bab ini.
Pikirkan kembali bisnis Anda dengan AI dan IBM Automation, menjadikan sistem TI lebih proaktif, proses lebih efisien, dan orang-orang lebih produktif.
IBM memastikan transformasi bisnis untuk klien perusahaan dengan layanan konsultasi otomatisasi ekstrem.
IBM Cloud Pak for Business Automation adalah seperangkat modular komponen perangkat lunak terintegrasi untuk manajemen operasi dan otomatisasi.