Vind verborgen connecties en verbanden in procesdata en onderzoek waar en waardoor problemen plaatsvinden.
Het managen van bedrijfsprocessen is een zeer uitdagende taak. Het gaat veel verder dan alleen het opsporen van problemen. Het vereist serieuze detective skills, je zult diep het proces in moeten duiken om de echte oorzaak achter een probleem te begrijpen.
Minit introduceert in Minit 5.2 een nieuwe feature gebaseerd op Machine Learning die fungeert als scope en richtlijn om de juiste antwoorden te vinden. Deze optie, genaamd AI-Powered Root-Cause Analysis, maakt het mogelijk om te onderzoeken wat er gebeurd is en waarom dit gebeurd is. Zo verkleint deze handige tool de kans dat het probleem zicht opnieuw manifesteert.
Denk bij mogelijke onderzoeksvragen aan:
- Waarom zijn sommige cases langzamer dan anderen?
- Waarom vindt er dubbel werk plaats bij sommige cases?
- Waarom hebben sommige cases een langere wachttijd?
Wanneer je een concrete observatie doet tijdens het analyseren van het proces met Minit – bijvoorbeeld dat het Order-To-Cash (OTC) proces lang duurt – is dat een goed startpunt voor een nadere analyse. Je zult veel dieper moeten kijken om te achterhalen wat de oorzaak van het probleem is, en welke specifieke attributen (leveranciers, medewerkers etc.) de vertraging veroorzaken. Met andere woorden, het doel is erachter te komen welke combinatie van attributen de meest negatieve impact op het gewenste procesverloop veroorzaakt.
Voorbeeld
Stel we willen weten wat de oorzaak is van een langdradig OTC-proces waarvan de gemiddelde doorlooptijd 46 uur is. De dataset geeft ook informatie over attributen op case-niveau zoals het land waarin de leverancier zich bevindt, de stad waarin de leverancier zich bevindt, materiaal, de totale waarde van de order en in welk kostencentrum de stap plaatsvindt. Hoe ontdekken we welke (combinatie van) deze attributen het proces vertragen?
Oplossing
Om de juiste antwoorden te krijgen kun je gebruik maken van de op slim geselecteerde Machine Learning algoritmes gebaseerde AI-Powered Root-Cause Analysis. Met deze functionaliteit van Minit kun je een combinatie van invloedrijke attributen en problemen die vertraging veroorzaken inzichtelijk maken. De tool helpt dus om verborgen relaties tussen attributen te vinden.
Voorbeeld
Door separaat ieder OTC-proces attribuut te bekijken, wordt inzichtelijk dat de grootste oorzaak van vertraging een bepaalde stad waarin een leverancier gevestigd is is (stad X). Gemiddeld verhoogt X de doorlooptijd met een extra 15 uur. Verder weten we nu ook dat andere attributen de doorlooptijd minder beïnvloeden. Het kan zo zijn dat dit alleen het geval is voor een bepaalt materiaal (bijvoorbeeld aluminium). Ook deze inzichten komen naar voren uit een Root-Cause Analysis.
Wat zit er nog meer in Minit 5.2?
Minit 5.2 heeft naast de nieuwe AI-Powered Root-Cause Analysis functionaliteit Dashboard templates, een process map widget voor procesvergelijking, project export en import voor Minit Dashboards, verbetering van de process simulation functionaliteit, het exporteren en importeren van filters en nog veel meer. Meer weten? Lees hier het hele artikel van Minit met een toelichting van alle nieuwe en verbeterde functionaliteit!
Meer weten over Minit? Kijk eens op deze pagina of neem vrijblijvend contact met ons op!
