چگونه مدیریت فرایند و هوش مصنوعی را با هم ترکیب کنیم؟

وقتی Mars Wrigley تصمیم گرفت زنجیره تأمین خود را دیجیتالی کند، در چندین قابلیت هوش مصنوعی و تحلیل داده سرمایه‌گذاری کرد. این شرکت یک دوقلو دیجیتال از خط تولید خود ساخت (نسخه‌ای مجازی که عملیات خط را در زمان واقعی شبیه‌سازی می‌کند) و داده‌های آن را وارد یک مدل یادگیری ماشین کرد تا خروجی خط تولید را پیش‌بینی کرده و میزان پُرشدگی بیش از حد و اتلاف را کاهش دهد. این شرکت با یک وندور «هوش تصمیم‌گیری» (decision intelligence) به نام Aera Technology همکاری کرد تا مصورسازی داده‌ها، تولید توصیه‌هایی درباره نگهداری پیشگیرانه و خودکارسازی برخی تصمیمات عملیاتی را انجام دهد. همچنین با Kinaxis همکاری کرد؛ شرکتی که نرم‌افزار هوش مصنوعی آن به کارکنان پیشنهادهایی درباره چگونگی ایجاد توازن میان عرضه و تقاضا، خودکارسازی پردازش فاکتورها و افزایش بهره‌وری کامیون‌ها به میزان ۱۵ درصد ارائه می‌داد. در نتیجه تمام این بهبودها، Mars Wrigley توانست سفارش‌ها را سریع‌تر تکمیل کند و امتیازهای خدمات مشتری چند درصد افزایش یافت. در ادامه، Mars Wrigley شروع به ساخت مدل‌های یادگیری ماشین کرد که فروش را پیش‌بینی می‌کردند و به مدیران کارخانه کمک می‌کردند سطح تولید را تنظیم کنند. در خط تولید نیز قصد دارد ربات‌های هوشمند و سیستم‌های جدید هوش مصنوعی را برای افزایش بهره‌وری و پایداری مستقر کند. به طور خلاصه، Mars Wrigley از هوش مصنوعی برای بازآفرینی مدیریت فرایند در طیف گسترده‌ای از عملیات استفاده کرده است.

مدیریت فرایند مفهوم پیچیده‌ای نیست. هدف آن این است که بفهمیم یک توالی از وظایف چگونه با هم ترکیب می‌شوند تا یک نتیجه مشخص ایجاد کنند و سپس آن را بهبود دهیم. این رویکرد را می‌توان در سطوح مختلف اعمال کرد؛ از کار انجام‌شده توسط یک فرد یا گروه کوچک گرفته تا فعالیت‌های کلیدی داخل یک واحد، یا فرایندهای سرتاسری که کل سازمان یا حتی مرزهای بین شرکت‌ها را در بر می‌گیرند. اگر این کار به‌درستی انجام شود، مدیریت فرایند بسیار اثربخش است. فرایندهای بهتر مدیریت‌شده به معنای بهره‌وری بالاتر است؛ زیرا نرخ خطا، زمان چرخه و کارهای کم‌ارزش کاهش میابند. اما اجرای آن در مقیاس بزرگ حتی با کمک هوش مصنوعی دشوار است. هوش مصنوعی معمولاً از وظایف یا زیر‌فرایندهای محدود پشتیبانی می‌کند، نه کل فرایندهای سرتاسری؛ بنابراین سازمان‌ها باید مجموعه‌ای از کاربردهای متعدد هوش مصنوعی را به هم متصل کنند تا یک فرایند کامل را بهبود دهند.

مدیریت فرایند نیازمند مقدار زیادی مدیریت تغییر است؛ از متقاعدکردن ذی‌نفعان و آموزش مجدد کارکنان گرفته تا یکپارچه‌سازی بخش‌های مختلف. علاوه بر این، اغلب با ساختارهای مدیریتی سلسله‌مراتبی سنتی نیز در تضاد است؛ زیرا برای افزایش بهره‌وری باید از میان واحدها عبور کند. همچنین شهرت آن پس از تبدیل‌شدن به یک ترند زودگذر در اوایل دهه ۱۹۹۰ آسیب دید؛ زمانی که پروژه‌های ناموفق و تعدیل‌های بی‌هدف بسیاری برجای گذاشت. طبیعی است که مدیران رغبت چندانی به استفاده مجدد از آن نداشته باشند.

در همین زمان، هوش مصنوعی و سایر فناوری‌های اطلاعاتی نیز در ارائه دستاوردهای ملموس در بهره‌وری، شرکت‌ها را ناامید کرده‌اند. جمله مشهور «رابرت سولو» (Robert Solow) در سال ۱۹۸۷ که گفت: «عصر کامپیوتر را همه‌جا می‌بینید جز در آمار بهره‌وری»؛ هنوز هم دردناک و واقعی است. سازمان‌ها تریلیون‌ها دلار روی داده و فناوری‌های تحلیل و افزایش بهره‌وری سرمایه‌گذاری کرده‌اند؛ اما دستاورد قابل‌توجهی نداشته‌اند. اکثر شرکت‌ها حتی ارقام نرخ بازگشت سرمایه (ROI) فراتر از شاخص‌های بهره‌وری برای پروژه‌های IT ندارند.

یک رویکرد جدید نسبت به تفکر فرایندی می‌تواند این وضعیت را تغییر دهد. در واقع، ایده‌های جدید درباره فرایندها؛ مانند «مدیریت علمی» (scientific management)، «کنترل کیفیت آماری» (statistical quality control)، «مدیریت کیفیت جامع» (total quality management)، «شش سیگما» (Six Sigma   6σ)، «چابک» (agile) و «روش‌شناسی‌های ناب» (lean methodologies) تاریخی پربار و اثرگذار دارند. این که همچنان تفکر جدیدی درباره مدیریت فرایند ظهور می‌کند، نشان‌دهنده اهمیت بنیادی آن است. سازمان‌ها همیشه نیاز دارند عملکرد عملیاتی خود را افزایش دهند و مدیریت فرایند روشی مطمئن برای این کار است.

نویسندگان گزارش حاضر که در نسخه January February 2025 مجله کسب‌وکار هاروارد منتشر شده؛ خود را طرفدار تمام شکل‌های مدیریت فرایند معرفی می‌کنند. در میان نویسندگان گزارش؛ «تام داونپورت» (Tom Davenport) به راه‌اندازی موج مهندسی مجدد فرایندها در اوایل دهه ۱۹۹۰ کمک کرد و «تام ردمن» (Tom Redman)، تفکر فرایندی را در خدمات مشاوره داده‌ای خود به طور گسترده به کار برده است. نویسندگان پس از گفت‌وگوهای فراوان با صدها مدیر سازمانی، به یک فلسفه جدید درباره فرایند رسیده‌اند که نشان می‌دهد انسان، داده، تحلیل و فناوری به‌ویژه هوش مصنوعی، چگونه می‌توانند برای تقویت عملکرد کسب‌وکار با هم ترکیب شوند.

در این گزارش این فلسفه جدید توصیف خواهیم شد و نخستین گام‌هایی را که مدیران ارشد می‌بایست برای اجرای آن بردارند توضیح داده می‌شود.

چگونه فناوری و مدیریت فرایند یکدیگر را تقویت می‌کنند

کمبود پشتیبانی فناورانه به‌ویژه در رویکردهای بهبود تدریجی فرایندها مانند ناب و شش سیگما رفته‌رفته سبب کاهش محبوبیت تفکر فرایندی شد. اما طی سال‌های اخیر، فناوری‌های جدید فرصت‌هایی ایجاد کرده‌اند تا سازمان‌ها مدیریت فرایند را متحول کنند. این یکی از اصلی‌ترین دلایلی است که نویسندگان معتقدند سازمان‌ها اکنون می‌بایست دوباره آن را به‌صورت گسترده به کار گیرند.

مدیریت فرایند و فناوری، یکدیگر را تقویت می‌کنند. فناوری‌های جدید به شرکت‌ها کمک می‌کنند فرایندهای بهبودیافته را در مقیاس بسیار بزرگ اجرا کنند. پیاده‌سازی و ارزش‌آفرینی از الگوریتم‌های جدید هوش مصنوعی زمانی بسیار ساده‌تر است که فرایندی که از آن پشتیبانی می‌کنند، تعریف‌شده و مدیریت‌شده باشد. فرایندهای یکپارچه سرتاسری همچنین دستیابی به حجم انبوهی از داده‌های باکیفیت که برای آموزش هوش مصنوعی لازم است را آسان‌تر می‌کنند.

مدیریت فرایند نیازمند این است که واحدها استانداردهای داده مشترکی اتخاذ کنند و داده را آزادانه در اختیار کل سازمان قرار دهند، هرچند بسیاری از واحدها تمایلی به این کار ندارند. آن‌ها سیستم‌هایی را پیاده‌سازی کرده‌اند که متناسب نیازهای خاص خودشان طراحی شده‌اند، نه لزوماً برای اثربخشی سرتاسری. اما زمانی که واحدها داده‌های خود را هماهنگ نمی‌کنند، مشکلات بزرگی به وجود می‌آید.

برای نمونه، به واحد عملیات فکر کنید که مسئول مونتاژ اجزای مختلف سفارش‌هاست. کارکنان این واحد سفارش‌ها را از واحد فروش دریافت می‌کنند، اما خیلی زود با کمبودها و خطاهای فراوانی در داده‌ها مواجه می‌شوند. بنابراین تلاش می‌کنند داده‌ها را پاک‌سازی کنند؛ چون KPIهایی دارند که باید به آن‌ها برسند. نمی‌توان واحد فروش را سرزنش کرد؛ آن‌ها اصلاً نمی‌دانند داده‌ای که ارسال می‌کنند اشتباه است. بااین‌حال، افراد واحد عملیات باید تحت‌فشار زیاد، زمان زیادی را صرف کاری کنند که نه برای آن آموزش‌دیده‌اند و نه حتی پشتیبانی دارد. راه‌حل واضح این است که در واحد فروش خطاهای کمتری رخ دهد، اما افراد عملیات که در ساختار یا به‌اصطلاح حرفه‌ای رایج سیلوی (Silo) خود گرفتار شده‌اند این فرصت را نمی‌بینند.

مدیریت فرایند به شکستن یا حداقل پل‌زدن میان این سیلوها کمک می‌کند. این رویکرد، خطاها و ناکارآمدی‌هایی که ایجاد می‌کنند را مشخص می‌کند، برای حرمت به سمت بهبودها انگیزه‌سازی می‌کند و ساختاری فراهم می‌آورد تا علل ریشه‌ای خطاها به‌صورت نظام‌مند حذف شوند.

از کجا شروع کنیم

سازمان‌هایی که جهت‌گیری مشخص و مستحکمی نسبت به فرایند ندارند، ممکن است در شروع کار با مشکل مواجه شوند. در چنین حالتی، شاید بهترین کار این باشد که ابتدا روی یک یا دو فرایند که برای عملکرد سازمان حیاتی هستند تمرکز شود و بقیه موارد زمانی بررسی شوند که سازمان بیشتر با تفکر فرایندی خو بگیرد. بسیاری از شرکت‌هایی که ما می‌شناسیم کار را با فرایندهای «سفارش به نقد» (order-to-cash –  OTC) آغاز می‌کنند؛ یعنی فرایندهایی که شامل تمام مراحل از زمانی است که یک مشتری سفارش می‌دهد تا زمانی که پرداخت انجام می‌شود. این فرایندها تأثیر بسیار مهمی بر عملکرد اکثر شرکت‌ها دارند و هدف محبوبی برای مهندسی مجدد به شمار می‌روند.

شرکت‌های اروپایی سال‌هاست که OTC و سایر فرایندهای میان‌وظیفه‌ای را مدیریت می‌کنند. شرکت زیمنس، با وجود داشتن واحدهای تجاری بسیار غیرمتمرکز، زیرفرایندهای OTC مشترکی در حوزه‌هایی مانند مدیریت سفارش و خرید تا پرداخت ایجاد کرده است. BMW نیز بیشتر فرایندهای تولید جهانی خود را استانداردسازی کرده است که پیش‌تر تفاوت‌های زیادی در سراسر جهان داشت و اکنون بر بهینه‌سازی فرایندهای پشتیبانی تمرکز دارد. شرکت محصولات مصرفی Reckitt  نیز با استفاده از فرایندکاوی و اتوماسیون فرایند، کل فرایند OTC را یکپارچه‌سازی می‌کند تا روند صدور فاکتور، خرید مواد اولیه، انجام سفارش‌ها و موارد دیگر را بهبود دهد. این شرکت‌ها مدیریت فرایند مبتنی بر فناوری اطلاعات را به بخشی اساسی از عملیات خود تبدیل کرده‌اند.

اما در آمریکای شمالی، شرکت‌ها به‌طورکلی رویکردی بسیار تدریجی‌تر اتخاذ کرده‌اند. اوبر ابتدا بر خدمات مشتری تمرکز کرد، پپسی بر فرایندهای حساب‌های دریافتنی و پرداختنی،Cardinal Health بر مدیریت سفارش و Johnson & Johnson  بر زنجیره تأمین؛ همگی با این تمرکز محدودتر، بهبودهای قابل‌توجهی ایجاد کرده‌اند. همان‌طور که پیش‌تر اشاره شد، این راه خوبی برای سازمان‌هایی است که سابقه چندانی در مدیریت فرایند ندارند تا بتوانند نقطه شروع مناسبی داشته باشند. نویسندگان از OTC برای توضیح نحوه قرارگیری هوش مصنوعی در مدیریت فرایند استفاده می‌کنند و راهنمایی‌هایی در مسیر به‌کارگیری و نحوه مواجهه با دشواری‌های آن ارائه می‌دهند.

گام اول: تعیین مالکیت

اولین هدف این است که تیمی از مدیرانی دور هم جمع شوند که بتوانند مسئولیت سرتاسری عملکرد یک فرایند را برعهده بگیرند؛ این یعنی تعیین یک «مالک فرایند» (process owner) برای هماهنگی کارهای موردنیاز و جذب یک تیم از «مدیران فرایند» (process managers) از بخش‌های درگیر. برای فرایند OTC، این تیم شامل افرادی از تیم‌های فروش، عملیات، حمل‌ونقل و مالی خواهد بود؛ هرچند بخش‌های دیگری نیز ممکن است مشارکت داشته باشند. این افراد باید بتوانند از طرف بخش خود صحبت کنند و از منافع کل سازمان دفاع کنند.

تعیین مالک فرایند مناسب اهمیت زیادی دارد. این موضوع ممکن است دشوار باشد، زیرا در بیشتر موارد نقش مدیریتی ارشد کاملاً جدیدی محسوب می‌شود. بهترین مالکان فرایند کسانی هستند که می‌دانند چگونه بدون داشتن اختیار رسمی زیاد، نفوذ مؤثر اعمال کنند؛ چرا که در آغاز مسیر فرایندی ممکن است قدرت رسمی چندانی نداشته باشند.

یک چالش دیگر نیز وجود دارد که مدیریت فرایند را دشوار می‌کند. ازآنجایی‌که مدیریت فرایند با اولویت‌های مشتری هم‌راستا است، ولی مدیریت خطی روزمره با اولویت‌های رئیس هم‌سو است، تعارض‌ها حتماً پیش خواهد آمد. کارکنان به طور اجتناب‌ناپذیر به راهنمایی نیاز خواهند داشت تا به این پرسش پاسخ دهند: «وقتی زمان کم است، چه کسی مهم‌تر است؟ رئیس یا مالک فرایند؟» به‌عنوان‌مثال؛ مدیران، فروشندگان خود را تشویق می‌کنند تا سفارش‌هایی ثبت کنند که خریدار، تحویل سریع (مثلاً ۱۰ روزه) می‌خواهد تا سهمیه فروش خود را محقق کنند؛ اما این فروشندگان زمانی در موقعیت دشوار قرار می‌گیرند که مالک فرایند به آن‌ها بگوید موجودی کم است و تاریخ تحویل واقع‌بینانه‌تر ۲۰ روز است.

گام دوم: شناسایی مشتریان فرایند

در آغاز یک ابتکار فرایندی، مدیران فرایند همیشه باید بپرسند: «مشتریان چه کسانی هستند؟ چه می‌خواهند و بیش از همه به چه نیاز دارند؟ ما چگونه آن را ارائه می‌دهیم؟» هر شکاف یا ابهامی در پاسخ‌ها نشان‌دهنده فرصت‌هایی برای بازاندیشی بنیادی فرایند است.

افرادی که در نهایت از فرایند ارزش دریافت می‌کنند، ممکن است درون یا برون‌سازمانی باشند. در OTC، شناسایی مشتریان اصلی ساده است؛ افرادی که محصولات یا خدمات را خریداری می‌کنند و باید آن‌ها را با کیفیت عالی، به‌موقع و در مکان موردانتظار دریافت کنند و شرکت که باید نقدینگی را مدیریت کند.

ممکن است مشتریان ثانویه نیز وجود داشته باشند. برای مثال، بازاریابی ممکن است یکی از مشتریان فرایند OTC باشد؛ اگر بخواهد عملکرد شرکت در تحویل به‌موقع را به‌عنوان مزیت رقابتی مطرح کند. مشتری دیگر ممکن است تیم پایداری باشد که می‌خواهد ردپای کربنی شرکت را کاهش دهد. در اینجاست که یکی از زیبایی‌های مدیریت فرایند دیده می‌شود؛ این رویکرد مدیران را وادار می‌کند اولویت‌ها را مشخص و سپس کار را با آن‌ها هم‌سو کنند.

فناوری می‌تواند به شرکت‌ها کمک کند داده‌های مشتریان و دیدگاه آن‌ها درباره عملکرد فعلی فرایندها را ثبت و تحلیل کنند. سیستم‌های مدیریت ارتباط با مشتری می‌توانند بینش‌هایی درباره ریزش مشتری، تعداد درخواست‌های خدمات و سودآوری مشتری ارائه دهند. سیستم‌های هوش مصنوعی مولد می‌توانند نظرات مشتریان در تماس‌های ورودی، ایمیل‌ها و پست‌های شبکه‌های اجتماعی را تحلیل و خلاصه کنند و در این کار هر روز بهتر می‌شوند.

گام سوم: ترسیم فرایند موجود

در مرحله بعد نیاز است که یک فلوچارت سطح‌بالا از فرایند فعلی تهیه کنید که شامل حرکت فیزیکی کالاها به همراه مسیر ایجاد، جریان و استفاده از داده‌ها باشد. این کار پیش‌تر به‌صورت دستی با چسباندن برگه‌های یادداشت روی وایت‌برد انجام می‌شد، اما امروزه هوش مصنوعی می‌تواند آن را خودکار کند.

به اعتقاد نویسندگان، توصیفات مربوط به نقاط تماس بین بخش‌ها به‌ویژه در شروع کار بسیار مفید هستند. اغلب این نقاط تماس در «فضای سفید» (white space) قرار دارند؛ جایی که مسئولیت مشخص هیچ بخشی نیست و در نتیجه احتمالاً منبع تأخیر، خطا و ناکارآمدی هستند.

فرایندکاوی (Process mining) که داده‌های فرایند را از سیستم‌های فناوری اطلاعات استخراج می‌کند و برای مدل‌سازی، تحلیل و بهینه‌سازی کسب‌وکار به کار می‌گیرد؛ می‌تواند در این مرحله بسیار مفید باشد. این فناوری که در موج‌های قبلی مدیریت فرایند وجود نداشت؛ از اطلاعاتی که از فایل‌های ثبت رویداد سامانه‌های سازمانی استخراج می‌شود استفاده می‌کند تا ببیند فرایندهای یک سازمان چگونه اجرا می‌شوند. برای مثال در فرایند OTC، شرکت‌ها می‌توانند تقریباً در زمان واقعی و به‌صورت لحظه‌ای ببینند چه کارهایی به‌صورت رایانه‌محور در حال انجام است و تکمیل سفارش، تحویل بسته و دریافت پرداخت از مشتری چقدر طول می‌کشد. فرایندکاوی می‌تواند نقاط درد که باید در بازطراحی فرایند هدف قرار گیرند را برجسته کند. پس از مشخص‌شدن آن‌ها، تیم می‌تواند «وظیفه‌کاوی» (task mining) را امتحان کند که توسط برخی فروشندگان فناوری ارائه می‌شود و معمولاً بر بهبود فرایندهای کوچک‌تر از طریق اتوماسیون تمرکز دارد.

پپسی تلاش‌های فرایندکاوی خود را از فرایند حساب‌های پرداختنی در سال ۲۰۱۹ آغاز کرد. از آن زمان این شرکت هر سال هزاران ساعت کار انسانی را از آن فرایند حذف کرده و کاهش چندمیلیون‌دلاری در هزینه‌های سوخت‌شده به دست آورده است. اکنون این شرکت از فرایندکاوی (متعلق به Celonis) در ۹ فرایند دیگر از جمله فرایندهای گسترده سرتاسری مانند OTC نیز استفاده می‌کند. برخی فعالیت‌ها از جمله ایجاد پیام برای مشتریان درباره دریافتنی‌های معوق در این فرایندها خودکار شده‌اند. هوش مصنوعی برای شناسایی بزرگ‌ترین مشکلات مورداستفاده قرار گرفت، مانند نرخ اولیه ۳۰ درصدی رد سفارش‌ها زمانی که پپسی سیستم جدید SAP را نصب کرد و به لطف فرایندکاوی مبتنی بر هوش مصنوعی، این نرخ به ۴ درصد کاهش یافت.

گام چهارم: ایجاد شاخص‌های عملکرد فرایند و تعیین اهداف

گام بعدی این است که شاخص‌هایی را که برای مدیریت فرایند بازطراحی‌شده نیاز دارید، تعریف کرده و ایجاد کنید. در فرایند OTC؛ زمان چرخه سرتاسری (از زمان ثبت سفارش تا دریافت پرداخت)، رضایت مشتری، دقت داده‌ها و کارایی فرایند اهمیت ویژه‌ای دارند. شرکت‌ها همچنین باید تعیین کنند چه سطحی از بهبود در فرایند موجود لازم است. در دوران جنبش مهندسی مجدد (reengineering movement)، معمولاً به دنبال بهبودهای ۱۰برابری بودند، اما با روش‌شناسی‌های ناب و شش سیگما، اهداف به‌مراتب تدریجی‌تر شدند. به‌جای تعیین اهداف خیلی بزرگ یا خیلی کوچک به‌صورت دلخواه، شرکت‌ها باید اهداف را بر اساس نیاز و سطح امکان‌پذیری تعیین کنند.

تحلیل شاخص‌های عملکرد فرایند فعلی می‌تواند بینش‌هایی ارائه دهد که به طراحی فرایند جدید و استفاده از فناوری‌های مناسب کمک کند. برای مثال، یک شرکت مخابراتی تعیین کرد که ارائه یک نوع خاص خدمت حدود ۹۰ روز طول می‌کشد. با بررسی دقیق‌تر مشخص شد که زمان کار واقعی تنها حدود ۱۰ روز است و ۸۰ روز باقی‌مانده صرف انتظار بین مراحل می‌شود. سامان‌دهی بهتر هماهنگی میان فعالیت‌ها به شرکت کمک کرد ۶۰ روز از این زمان را حذف کند که باعث افزایش رضایت مشتری و دریافت سریع‌تر جریان نقدی شد.

گام پنجم: درنظرگرفتن توانمندسازهای فرایند

ابزارهای اتوماسیون روباتیک فرایند (RPA) که توسط مایکروسافت، UiPath و سایر فروشندگان عرضه می‌شوند و از ربات‌ها برای خودکارسازی گردش‌کارهای تکراری و روتین استفاده می‌کنند که احتمالاً برای طراحی فرایندهای کوچک مفید خواهند بود؛ درحالی‌که هوش مصنوعی مولد و یادگیری ماشین سنتی می‌توانند عملکرد فرایندهای بزرگ‌تر را ارتقا دهند. برای مثال در OTC، هوش مصنوعی مولد می‌تواند قراردادها را پیش‌نویس کند، به مشتریان کمک کند سفارش‌های دقیق‌تری ثبت کنند و آن‌ها را از تغییرات تحویل مطلع سازد. یادگیری ماشین سنتی می‌تواند به شرکت‌ها در بهینه‌سازی قیمت‌گذاری، تسریع تأیید اعتبارات، جلوگیری از تقلب و برآورد سطح نیروی انسانی موردنیاز کمک کند.

فناوری‌های جدید دیگر نیز ممکن است مرتبط باشند. حسگرهای اینترنت اشیا می‌توانند برای پایش تجهیزات تولید و جلوگیری از خرابی استفاده شوند و بلاک‌چین می‌تواند برای ردیابی حرکت کالاها در زنجیره تأمین به کار رود. تحلیل‌های سنتی کسب‌وکار نیز می‌توانند تصمیم‌گیری را در سراسر فرایندها بهبود دهند.

گام ششم: بازطراحی فرایند

بازطراحی باید توسط تیمی میان‌وظیفه‌ای از افراد متعلق به بخش‌هایی که در فرایند دخیل هستند؛ هدایت شود. هدف تنها ترسیم یک گردش‌کار بهتر نیست؛ بلکه شناسایی مهارت‌ها، فناوری‌ها، تغییرات ساختار سازمانی موردنیاز و همچنین انتظارات ذی‌نفعان و مشتریان نیز هست.

درحالی‌که طراحی فرایندها زمانی فعالیتی بسیار پرزحمت و زمان‌بر بود، امروز هوش مصنوعی این کار را بسیار سریع‌تر و کارآمدتر کرده است. برای مثال، شرکت باسابقه Pega در حوزه نرم‌افزارهای مدیریت فرایند، ابزارهایی توسعه داده است که با استفاده از هوش مصنوعی مولد، طراحی‌های فرایندی مبتنی بر بهترین تجارب را از یک کتابخانه استخراج کرده و به تیم‌های طراحی پیشنهاد می‌دهند.

یکی از مشتریان این شرکت یعنی Deutsche Telekom، بزرگ‌ترین شرکت مخابراتی آلمان از ابزار جدیدی به نام Blueprint برای بازسازی فرایندهای منابع انسانی و سیستم‌های پشتیبان آن‌ها استفاده کرد. Deutsche Telekom در طی سال‌ها حدود ۸۰۰ فرایند منابع انسانی در بیش از ۲۰ کشور ایجاد کرده بود که پیچیدگی آن‌ها بسیار بالا بود. این شرکت ابتدا بسیاری از زیرفرایندهای منابع انسانی را با استفاده از ابزارهای سنتی طراحی و توسعه سیستم‌ها اصلاح کرده بود، اما پیشرفت کند بود. سوءتفاهم میان افراد بخش کسب‌وکار و IT سبب این تأخیر می‌شد، اما Blueprint با یک رابط ارتباطی ساده که به متخصصان کسب‌وکار اجازه می‌دهد فرایندها را با زبان خود توصیف کنند، این مشکل را برطرف کرد. Blueprint همچنین پیشنهادهایی درباره مواردی که تیم بازطراحی ممکن بود از آن‌ها غافل شده باشد، ارائه داد و قالب‌های فرایند ایجاد کرد که زمان یافتن راه‌حل‌ها و بهبود سیستم‌های گردش‌کار را به طور قابل‌توجهی کاهش داد.

با کمک Blueprint، تاکنون ۲۵۰ فرایند ساده‌سازی شده‌اند و برنامه‌هایی برای تکمیل سایر فرایندها نیز وجود دارد. در نتیجه این اقدامات، رضایت کارکنان افزایش یافته و کارکنان منابع انسانی از کارهای تکراری رها شده‌اند و زمان بیشتری برای ارائه خدمات بهتر به کارکنان دارند. همچنین کسب‌وکار میلیون‌ها یورو در هزینه‌های عملیات و مدیریت اپلیکیشن صرفه‌جویی کرده است. ترکیب هوش مصنوعی مولد و تخصص تجاری در حال تغییر نحوه طراحی فرایندها در Deutsche Telekom است و به عقیده نویسندگان، این تغییر در بسیاری از سازمان‌های دیگر نیز رخ خواهد داد.

ابزارهای دیگری که انتظار زیادی از آن‌ها می‌رود شامل قابلیت‌های تصویرسازی مبتنی بر هوش مصنوعی مولد، ابزارهای طراحی مولد (که در حال حاضر معماران از آن استفاده می‌کنند) و «همزاد دیجیتال» هستند. پیش‌بینی می‌شود که این ابزارها به تیم‌ها کمک کنند طراحی‌های جدید فرایند را تصور کنند، آن‌ها را شبیه‌سازی کرده و در نهایت بهینه‌سازی کنند.

گام هفتم: پیاده‌سازی و پایش فرایند

همان‌طور که پیش‌تر اشاره شد، اجرای طراحی‌های جدید فرایند نیازمند تلاش قابل‌توجهی است. اگرچه نرم‌افزارها و ابزارهای مبتنی بر هوش مصنوعی می‌توانند برای خودکارسازی فعالیت‌های کلیدی در فرایند جدید استفاده شوند، اما کارکنان نیاز به آموزش دارند، داده‌ها باید یکپارچه شوند، سیستم‌ها باید ساخته شوند و مشتریان باید در جریان قرار گیرند. اجرای این تغییر ممکن است چند ماه طول بکشد؛ اما نباید سال‌ها طول بکشد.

پس از پیاده‌سازی فرایند بهبودیافته، شرکت‌ها باید یک «نُرم» جدید ایجاد کنند که در آن کنترل و بهبود مستمر حاکم باشد. اساس کنترل، قابلیت پیش‌بینی است؛ اینکه اطمینان داشته باشیم عملکرد فرایند در آینده افت نخواهد کرد. کنترل، نقطه مقابل جدال است که متأسفانه اغلب حالت عادی کسب‌وکار است.

فرایندکاوی شاید ارزشمندترین ابزار برای پایش عملکرد فرایند و ایجاد کنترل باشد. این ابزار، همه تنوع‌هایی که هر فرایندی از خود نشان می‌دهد را آشکار می‌کند. تنوع بیش از حد باید بررسی و حذف شود. برای مثال در فرایند OTC، شرکت‌ها ممکن است از چندین شرکت حمل‌ونقل برای تحویل نهایی استفاده کنند. یک حامل ارزان‌تر اما کم‌اعتماد می‌تواند تنوع بسیار زیادی ایجاد کند. به همین دلیل، در بازطراحی زنجیره تأمین، شرکت Mars Wrigley به یک شرکت لجستیک نسل چهارم روی آورد تا با شرکت‌های حمل‌ونقل همکاری کند، عملکردشان را پایش کند و تحویل قابل‌اعتماد را تضمین کند.

فرایندکاوی می‌تواند مهم‌ترین و پرهزینه‌ترین مشکلاتی که باید برطرف شوند را شناسایی کند. پایش باید دائمی باشد؛ زیرا تنها چیز قطعی در کسب‌وکار، تغییر است. مشتریان جدید نیازهای جدید دارند؛ محصولات جدید به رسیدگی ویژه نیاز دارند؛ قوانین جدید، گزارش‌دهی جدید می‌طلبند؛ فناوری‌های جدید مانند سیستم‌های مدیریت موجودی می‌توانند بهره‌وری را افزایش دهند، و همین‌طور الی‌آخر. تیم‌های هوشمند مدیریت فرایند از این تغییرات جلوتر حرکت می‌کنند و برای بهبود مستمر فرایندها حتی آن‌هایی که به طور رادیکال بازطراحی شده‌اند، تلاش می‌کنند.

دلایل استفاده شرکت‌ها از مدیریت فرایند امروز بیش از هر زمان دیگری مستدل‌تر است و دشواری‌های آن نیز کمتر شده است. چرخه فضیلت داده‌های بهتر، اجرای فناوری ساده‌تر و بهره‌وری بیشتر، بازدهی این اقدامات را افزایش داده؛ درحالی‌که فناوری‌های جدید متعدد، این کار را سریع‌تر و آسان‌تر کرده‌اند و با وجود اینکه توجه به فرایند در سال‌های اخیر کاهش یافته، شرکت‌هایی که آن را حفظ کرده‌اند، منفعت زیادی برده‌اند.

نویسندگان معتقدند همه شرکت‌ها باید نگاه دقیقی به مدیریت فرایند بیندازند و برای شرکت‌هایی که در زمینه هوش مصنوعی جدی هستند، این موضوع حیاتی است. مدیران باید به‌صورت جامع بیندیشند که چگونه انسان، داده، فناوری، هوش مصنوعی و تحلیل‌ها کنار هم قرار می‌گیرند تا عملکرد کسب‌وکار را بهبود دهند. فرایند باید در مرکز این تفکر باشد. در نهایت، سازمان‌ها از طریق فرایندها ارزش‌آفرینی می‌کنند. زمان آن رسیده که مدیران ارشد دوباره مدیریت فرایند را در اولویت قرار دهند و شروع کنند به اینکه چگونه آن را در بخش‌های خود بهبود بخشند.