Введение

Стандартные рабочие процедуры, блок-схемы и руководства по процессам описывают, как должна происходить работа , но реальность часто более беспорядочная: утверждения занимают больше времени, чем ожидалось, задачи циклируются на более ранние этапы, а ресурсы простаивают, никто не замечая. Эти скрытые неэффективности подрывают производительность, задерживают сроки проекта и раздувают затраты. Традиционный анализ процессов опирается на опросы, интервью и ручное наблюдение — методы, которые субъективны, трудоемки и склонны к человеческим предубеждениям.

Процессный майнинг предлагает альтернативу, основанную на данных. Выявляя и анализируя журналы событий из ИТ-систем, процессный майнинг реконструирует фактическую последовательность действий, показывая, где работа действительно замедляется. Инженеры и менеджеры получают объективный, судебный взгляд на свои рабочие процессы, позволяя им точно определять узкие места, циклы переработки и шаги с добавленной стоимостью. Эта статья исследует, как применять процессный майнинг к инженерным рабочим процессам, предоставляет пошаговое руководство по реализации и подчеркивает реальные преимущества. Независимо от того, управляете ли вы разработкой продукта, обзорами дизайна или производственными операциями, процессный майнинг может помочь вам обнаружить неэффективность, которую упускают традиционные методы.

Понимание процесса майнинга

Процессный майнинг - это область анализа данных, которая объединяет управление бизнес-процессами и науку о данных. Он использует журналы событий - записи о деятельности, генерируемой корпоративными системами, - для автоматического моделирования, анализа и улучшения процессов. В отличие от инструментов моделирования процессов, которые полагаются на ручной ввод, процессный майнинг получает карты процессов непосредственно из данных событий с временными метками. Это обеспечивает беспристрастную основу для понимания того, как на самом деле протекает работа.

Три основных типа технологической добычи

Методы добычи процессов делятся на три категории, каждая из которых служит определенной цели:

  • Открытие: Система автоматически конструирует модель процесса из журналов событий. Предварительного знания рабочего процесса не требуется. Полученная карта показывает каждый путь, отклонение и повторение, присутствующие в данных.
  • Проверка соответствия: Добытая модель сравнивается с заранее заданным или «идеальным» процессом. Анализ соответствия выявляет отклонения — более быстрые или медленные пути, пропущенные шаги, несанкционированные действия — и количественно оценивает соответствие.
  • Улучшение: Для изменения существующего процесса используются идеи, основанные на открытиях и соответствии. Улучшения могут включать добавление новых действий, изменение порядка действий или внедрение правил автоматизации для устранения узких мест.

Для инженерных рабочих процессов открытие часто является первым шагом, поскольку оно представляет скрытую сложность. Проверка соответствия затем проверяет, соответствует ли фактический процесс документированным процедурам или нормативным требованиям. Усовершенствование обеспечивает практические улучшения, необходимые для сокращения времени цикла и отходов.

Роль событийных журналов в процессе добычи

Каждый журнал представляет собой одно событие - деятельность, выполняемую человеком, системой или машиной - и должен содержать три критических атрибута:

  • Идентификатор кейса: Уникальный идентификатор, который группирует события, принадлежащие к одному и тому же экземпляру процесса (например, конкретный запрос на изменение конструкции или обзор дизайна).
  • Наименование деятельности: Наименование выполненного этапа (например, «Представить проект», «Улучшить изменения», «Выпуск для производства»).
  • Таймштамп: Дата и время, когда происходила деятельность.Таймштампы позволяют вычислять продолжительности, последовательность и время цикла.

Дополнительные атрибуты, такие как название ресурса, стоимость или результат, могут добавлять контекст, но не являются строго необходимыми. В инженерных средах журналы событий часто разбросаны по нескольким системам: программное обеспечение управления жизненным циклом продукта (PLM) отслеживает изменения и утверждения дизайна; системы планирования ресурсов предприятия (ERP) обрабатывают закупки и инвентаризацию; инструменты управления проектами записывают задачи и вехи; и промышленные контроллеры захватывают состояния машины на цехе. Задача состоит в том, чтобы консолидировать эти гетерогенные журналы в когерентный набор данных. К счастью, инструменты обработки данных, такие как Celonis , ProM и библиотеки с открытым исходным кодом, такие как PM4Py , обеспечивают разъемы и сценарии преобразования для оптимизации приема данных.

Пошаговая реализация процесса добычи

Внедрение процесса добычи в инженерном контексте требует структурированного подхода. Следующие пять шагов определяют повторяемую структуру для любой организации.

1.Определить источники данных и область их использования

Начните с выбора конкретного рабочего процесса для анализа. Инженерные рабочие процессы, которые включают в себя несколько передач, параллельные задачи или частые переделки, являются идеальными кандидатами - например, процесс предложения-заказа, жизненный цикл инженерного изменения (ECO) или цикл проверки продукта. Перечислите все системы, которые генерируют данные о событиях для этого рабочего процесса. Общие источники включают системы PLM (например, Windchill, Teamcenter), трекеры выпуска (Jira, Azure DevOps), платформы BPM (Camunda, Pega) и производственные системы исполнения (MES).

Совет: Приоритет систем с надежными временными метками и четкими идентификаторами случаев. Если системе не хватает надлежащей регистрации, рассмотрите возможность увеличения данных с помощью ручных записей или внедрения автоматизированной регистрации через платформы интеграции, такие как Directus (которые могут быть расширены для захвата пользовательских событий через его REST API или веб-хуки).

2. Извлекать и готовить данные о событиях

Экспорт журналов событий из каждого источника, гарантируя, что каждая запись включает идентификатор случая, имя активности и временную метку. Извлечение данных может выполняться с помощью вызовов API, запросов к базе данных или анализа файлов журнала. После извлечения стандартизируйте формат: преобразуйте временные метки в единый часовой пояс, сливайте дубликаты записей и обрабатывайте недостающие значения. Для очистки обычно используются такие инструменты, как Python (панды) или платформы ETL (Talend, Apache NiFi).

Создать плоскую таблицу (формат CSV или XES) с колонками: Case ID, Activity, Timestamp, Resource (опционально) и любые дополнительные атрибуты. Проверить данные, проверив на наличие пробелов, неупорядоченных последовательностей или необычно коротких/длинных длительностей. Хорошее эмпирическое правило состоит в том, чтобы включить по крайней мере несколько сотен случаев, чтобы получить статистически значимые результаты.

3.Откройте для себя модель процесса

Загрузите подготовленный журнал событий в инструмент для добычи процессов. Используйте алгоритм обнаружения (например, Alpha Miner, Heuristic Miner, Inductive Miner) для создания карты процессов. На карте будет отображаться поток действий, с дугами, представляющими переходы и частоты, указывающие, как часто каждый путь взят. Цветовое кодирование может выделить узкие места (например, красные узлы для действий с длительной средней продолжительностью) или пути, которые отклоняются от стандартной модели.

На этом этапе избегайте переходов к выводам. Обнаруженная модель, вероятно, будет выглядеть более сложной, чем ожидалось, — это нормально. Она отражает фактическое поведение людей и систем, включая тупики, петли и перекрывающиеся действия. Например, обзор инженерного проектирования может показать, что 30% представленных заявок возвращаются к этапу «Пересмотр дизайна» после утверждения, что указывает на цикл переделки, который добавляет дни к циклу.

4. Анализ Бутылочных пятен и отклонений

С картой процесса, выполняйте глубокий анализ, чтобы определить конкретные недостатки.

  • Время ожидания: Деятельность с длинными промежутками между завершением и началом следующего шага. Они часто указывают на нехватку ресурсов или очереди на утверждение.
  • Переработка циклов: Деятельность, которая появляется более одного раза в одном следе. Для инженерии общие циклы переделки включают изменения дизайна из-за неполных спецификаций или обратной связи с клиентами на поздней стадии.
  • Параллелизм против секвенциализма: Если задачи, которые можно было бы выполнять параллельно, выполняются последовательно, это указывает на возможность координации.
  • Нарушения соответствия: Деятельность, которая происходит вне ожидаемого порядка или которая использует несанкционированные ресурсы.

Используйте проверку соответствия для количественной оценки того, как часто фактический процесс отклоняется от идеального. Например, если стандарт требует четырех выключений перед выпуском, но только три происходят в 40% случаев, процесс не соответствует. Такие отклонения могут быть приемлемыми, но должны быть оправданы и задокументированы.

5. Улучшения и мониторинг реализации

Перепроектировать рабочие процессы для устранения узких мест, например, путем добавления параллельных циклов обзора, автоматизации уведомлений об утверждении или установления максимального времени ожидания. После реализации продолжить сбор журналов событий и повторить анализ для измерения воздействия. Процессный майнинг не является одноразовым упражнением; он должен стать практикой непрерывного совершенствования. Многие организации устанавливают панели мониторинга ключевых показателей эффективности (KPI), таких как среднее время цикла, процент случаев переделки и скорость соблюдения процесса.

Ключевые преимущества для инженерных рабочих процессов

При систематическом применении процесс добычи обеспечивает несколько измеримых преимуществ инженерным командам.

  • Скрытая узкая точка с точностью: Вместо того, чтобы гадать, почему проекты задерживаются, можно точно определить активность и ресурс, вызывающие замедление. Например, одна компания обнаружила, что один шаг одобрения в их рабочем процессе ОЭС составлял 35% от общего времени выполнения заказа, потому что одобритель пересматривал изменения только раз в неделю. Переназначив вторичных одобрителей, они сократили продолжительность этого шага на 60%.
  • Улучшение прозрачности и подотчетности процессов: Карты процессов показывают каждый выбранный путь, включая ярлыки или обходные пути, которые сотрудники принимают для соблюдения сроков. Эта прозрачность помогает менеджерам понять неформальные изменения процесса и решить, следует ли формализовать полезные ярлыки или устранить вредные.
  • Расширение кросс-функционального сотрудничества: Инженерные рабочие процессы часто охватывают отделы — проектирование, закупки, производство, качество. Процесс добычи раскрывает, где разрываются передачи. Если пакет дизайна сидит в «ждении котировки» в среднем за 2,5 дня до того, как команда покупателей действует, это четкий сигнал для улучшения связи или интеграции систем.
  • Поддержка Data-Driven Decision Making: Процесс майнинга заменяет аргументы, основанные на мнении, на веские доказательства. Предлагая изменения, вы можете показать заинтересованным сторонам, что 70% проектов следуют ненужному циклу переделки, стоимостью около 200 часов в месяц. Это облегчает обеспечение бюджетной и исполнительной покупки.
  • Сокращение времени цикла и затрат: Исследование 2022 года, опубликованное в Журнале инженерного и технологического менеджмента, показало, что компании, использующие процесс майнинга, сократили время цикла инженерных изменений в среднем на 18% в течение шести месяцев. Экономия происходит за счет меньшего количества циклов переработки, более коротких периодов ожидания и лучшего распределения ресурсов.

Тематические исследования: оптимизация инженерных изменений заказов

Поставщик аэрокосмической техники среднего размера боролся с длительным временем выполнения заказов на инженерные изменения (ECO). Их стандартная процедура требовала, чтобы команда разработчиков подала запрос на изменение, за которым последовали обзоры от инженеров, качества и управления программами. Процесс был документирован, но фактическое время завершения сильно различалось - от 10 дней до более 40 дней. Руководство подозревало неэффективность, но не имело конкретных данных.

Команда извлекла журналы событий из своей системы PLM и трекера эмиссии, охватывающие 1200 ECO за 18 месяцев. Используя алгоритм Heuristic Miner в ProM, они обнаружили, что 25% ECO прошли дополнительный цикл утверждения, не задокументированный в процедуре. Этот цикл произошел, когда инженер-менеджер запросил дополнительный анализ после первоначального одобрения, что вызвало среднюю задержку в 8 дней. Кроме того, проверка соответствия показала, что 32% ECO вообще пропустили обзор качества - риск соответствия для их сертификации AS9100.

На основании этих выводов компания внедрила два изменения: (1) они добавили обязательное поле в систему PLM для документирования причины любого дополнительного цикла анализа, создавая видимость и препятствуя ненужной переделке, и (2) они автоматизировали задание на проверку качества, чтобы его нельзя было обойти без документально подтвержденного исключения.В течение трех месяцев среднее время цикла ОЭС сократилось с 24 дней до 18 дней, а соответствие стандартному процессу увеличилось с 68% до 95%.

Преодоление общих вызовов

Проекты по добыче полезных ископаемых не без препятствий. Предвосхищение их может сэкономить время и разочарование.

  • Проблемы качества данных: Неполные или непоследовательные журналы являются наиболее распространенным барьером. Таймштампы могут отсутствовать, идентификаторы случаев могут не совпадать в системах, или действия могут быть записаны с различными именами (например, «Обзор» против «Инженерный обзор»). Инвестировать время в очистку данных и рассмотреть возможность внедрения лучших стандартов регистрации в исходных системах.
  • Инструменты выбора и обучения кривая: Коммерческие инструменты, такие как Celonis предлагают полированные интерфейсы и предварительно построенные разъемы, но приходят с высокими затратами на лицензирование. Варианты с открытым исходным кодом (ProM, PM4Py) бесплатны, но требуют навыков программирования и имеют более крутые кривые обучения. Оцените технические возможности и бюджет вашей команды перед выбором.
  • Организационное сопротивление: Сотрудники могут воспринимать процесс майнинга как инструмент наблюдения. Оформить инициативу как средство для выявления проблем процесса, а не проблем людей. Делитесь анонимными совокупными результатами и привлекайте фронтовых работников к интерпретации карт. Когда они видят, что данные выявляют системные проблемы, а не индивидуальную вину, бай-ин увеличивается.
  • Scope Creep: Начало со слишком большого количества рабочих процессов сразу может перегрузить анализ. Начните с одного высокоценного, богатого данными рабочего процесса. Расширьте только после демонстрации значения.

Будущие тенденции в технологической добыче для инженеров

Три тенденции особенно актуальны для инженеров-профессионалов.

  • Интеграция с ИИ и машинным обучением:] Предсказательный процесс майнинга использует исторические журналы для прогнозирования задержек или рисков соответствия до их возникновения. Например, модель может предупредить менеджеров проектов, когда обзор проекта, вероятно, превысит его временный бюджет, что позволяет осуществлять упреждающее вмешательство.
  • Процесс добычи в реальном времени: Вместо анализа исторических данных майнинг в реальном времени отслеживает события по мере их возникновения. Это особенно ценно в машиностроении, где отклонение в сборочной линии можно обнаружить и немедленно исправить.
  • Платформы с низким кодом / без кода: Такие инструменты, как Directus, позволяют организациям создавать пользовательские слои регистрации и интеграции без тяжелой разработки. Объединив безголовую CMS с логикой интеллектуального анализа процессов, инженерные команды могут собирать данные о событиях из пользовательских бизнес-приложений, которые традиционные системы ERP / PLM не охватывают.

Заключение

Скрытые неэффективности в инженерных рабочих процессах являются дорогостоящими, но они не неизбежны. Процессная добыча обеспечивает строгий, поддерживаемый данными метод выявления узких мест, циклов переработки и пробелов в соблюдении, которые игнорируются ручным анализом. Следуя пятиэтапной структуре - идентификации данных, извлечения, обнаружения, анализа и улучшения - инженерные организации могут превратить непрозрачные процессы в прозрачные, оптимизированные операции. Тематическое исследование от поставщика аэрокосмической промышленности демонстрирует, что даже небольшие корректировки, руководствуясь идеями технологического майнинга, дают значительный выигрыш во времени цикла и соблюдении. По мере продвижения поля к мониторингу в реальном времени и прогнозной аналитике, возможность устранить отходы будет только расти. Для любого инженерного лидера, приверженного постоянному улучшению, процессная добыча является важным инструментом в арсенале.

Для дальнейшего чтения изучите Целевая группа IEEE по процессуальной добыче и академическую статью «Процесс добычи полезных ископаемых в производстве: комплексное обследование» (Schuh et al., 2023) для конкретных приложений домена.