XTi Blog

BPM en Predictive AI

Geschreven door Sam Waegeman | 28/05/24 13:54

Wat zijn de grootste obstakels bij het implementeren van AI in organisaties?
Hoe kunnen bedrijven omgaan met het feit dat kritische bedrijfsprocessen steeds complexer en moeilijker te onderhouden worden?
Op welke manieren kunnen BPM-engines een waardevol platform bieden voor het gebruik van Predictive AI in organisaties?
Hoe kunnen organisaties door de combinatie van Predictive AI en BPM hun procesmodellen verbeteren, kosten verminderen en de klantbeleving verbeteren?
Op welke manieren kan Predictive AI menselijke taken vervangen door automatisering en optimalisatie van bedrijfsprocessen?

Het beheersen van de complexiteit van bedrijfsprocessen is één van de grootste obstakels bij het implementeren van effectieve automatiseringsoplossingen. Kritische processen worden steeds ingewikkelder om te onderhouden en zonder de juiste gegevens ontbreekt het organisaties vaak aan een effectieve manier om procesmodellen te visualiseren of te verbeteren. Hier kan Predictive Artificial Intelligence (AI) een krachtige bondgenoot zijn. Door gebruik te maken van historische gegevens, biedt Predictive AI de mogelijkheid om nauwkeurige voorspellingen te maken over toekomstige ontwikkelingen, waardoor organisaties proactief kunnen reageren en strategieën kunnen ontwikkelen die afgestemd zijn op komende uitdagingen en kansen. In deze blog duiken we dieper in op de relatie tussen Business Process Management (BPM) en Predictive AI. We ontdekken hoe deze combinatie organisaties in staat stelt om de complexiteit van hun processen te beheersen en hun concurrentiepositie te verstevigen.

BPM en Predictive AI voor data-driven besluitvorming

Veel organisaties bevinden zich in een situatie waarin de gegevens van hun procesinstanties beperkt zijn, vooral wanneer deze processen voornamelijk in de code zijn gedefinieerd en geen waardevolle gegevens bevatten om te gebruiken met AI. In dergelijke gevallen komt een BPM-engine goed van pas, omdat het een schat aan informatie biedt over eerder uitgevoerde procesinstanties. Essentieel voor het uitvoeren van predictieve AI! BPM-engines verzamelen en bewaren een breed scala aan gegevens, waaronder de duur van een proces, het aantal uitgevoerde taken, een lijst van openstaande incidenten, evenals details over verschillende invoer en hun bijbehorende uitvoer. Deze gegevens vormen een rijke bron die kan worden geanalyseerd en gebruikt door predictive AI-modellen. Organisaties zijn dan beter gepositioneerd om beslissingen te nemen die hun operationele efficiëntie en concurrentievoordeel kunnen versterken.

Opportuniteiten om BPM en Predictive AI te combineren

Gebruik historische data

Door Predictive AI en BPM te combineren, kunnen bedrijven hun eerdere procesgegevens analyseren om patronen en trends te identificeren. Op deze manier kunnen ze hun BPM modellen verbeteren, kosten verminderen en de klantbeleving versterken. Door een diepgaande analyse van historische gegevens kunnen bedrijven inzicht krijgen in welke processen efficiënt verlopen en welke gebieden ze kunnen verbeteren. Dit stelt hen in staat om gerichte optimalisaties door te voeren die de operationele efficiëntie verhogen en tegelijkertijd de kosten verminderen. Bovendien kan het identificeren van trends en patronen in eerdere procesgegevens bedrijven helpen om toekomstige behoeften en potentiële knelpunten te voorspellen. Met voorspellende inzichten van predictive AI kunnen organisaties proactief maatregelen nemen om problemen te voorkomen voordat ze zich voordoen, wat zorgt voor een soepelere bedrijfsvoering en verhoogde klanttevredenheid.

Vervang DMN-modellen

Daarnaast kunnen bedrijven hun DMN-modellen vervangen door AI. DMN (Decision Model and Notation) is een standaardnotatie die wordt gebruikt om besluitvormingsprocessen te modelleren en te visualiseren. Door DMN-modellen te vervangen met predective AI kunnen de historische gegevens die gegenereerd werden door deze DMN-modellen geanalyseerd en gebruikt worden om trends en patronen te identificeren. Door deze gegevens te begrijpen, kan AI nieuwe voorspellingen maken over mogelijke uitkomsten in verschillende scenario's. Deze voorspellingen kunnen bedrijven helpen om beter voorbereid te zijn op toekomstige gebeurtenissen en om sterkere strategische beslissingen te nemen die zijn gebaseerd op gegevensgestuurde inzichten.


Vervang menselijke taken

Een ander voordeel van de combinatie BPM en predective AI is dat menselijke taken vervangen kunnen worden door AI. Door historische gegevens te gebruiken en de invoer van een taak te analyseren, kunnen we menselijke tussenkomt verminderen of zelfs volledig uitsluiten. Door AI toe te passen op historische gegevens kunnen organisaties inzichten verkrijgen in hoe bepaalde taken worden uitgevoerd en welke beslissingen in het verleden zijn genomen. Hierdoor kan predictive AI worden gebruikt om deze taken te automatiseren of om aanbevelingen te doen voor de beste aanpak, waardoor de efficiëntie wordt verhoogd en er minder kans is op (menselijke) fouten. Bovendien kan AI ook autonoom acties uitvoeren op basis van deze analyse. Dit stelt organisaties in staat om repetitieve taken te automatiseren en menselijke middelen vrij te maken voor complexere en waardevolle taken. Zo biedt AI een krachtige manier om de operationele efficiëntie van bedrijven te verbeteren en hun concurrentiepositie te versterken.

Voorbeelden

Beoordelen van een leningaanvraag

Eén van de stappen die we tegenkomen is een soms complexe DMN-tabel met verschillende inputs zoals de leeftijd van de klant, het aangevraagde leenbedrag, het maandinkomen van de klant, enz. Op basis van al deze inputs wordt bepaald of de lening goedgekeurd, afgewezen of verder beoordeeld moet worden. Dit helpt de bankmedewerker een weloverwogen beslissing te nemen over de lening. De DMN kan er zo uitzien:

Deze DMN-tabel vertegenwoordigt een extra stap in uw bedrijfsproces. We kunnen deze potentieel complexe DMN vervangen door AI. Hiervoor kunnen we twee richtingen uit:

  • Neem de historische gegevens van deze DMN-tabel en laat de AI het resultaat voorspellen op basis van de beschikbare inputs. Dit maakt de beslissing zo snel mogelijk beschikbaar in het proces en de data is ook beschikbaar voor andere processen. Het nadeel is dat wijzigingen in de bedrijfsregels niet onmiddellijk worden weerspiegeld in de AI.
  • Voer de bedrijfsregels in de AI als geschreven tekst op basis van de DMN-tabel. We kunnen de AI de bedrijfsregels leren en bijvoorbeeld vertellen dat klanten onder de 18 of boven de 65 de beslissing “Afgewezen” moeten krijgen. Op deze manier kan de AI de inputs nemen en het resultaat voorspellen. Het voordeel is dat we geen historische gegevens nodig hebben en wanneer de bedrijfsregels veranderen, kunnen we deze aan de AI doorgeven.

Compensatie voor een klant

Laten we eens kijken naar het voorbeeld van een menselijke taak met verschillende inputs. Hier moet een medewerker van een bedrijf beslissen over de compensatie voor een klant die niet tevreden was met zijn bestelling. We hebben verschillende inputs zoals de klantgegevens (naam, adres, etc.), de bestelgegevens (bedrag, besteldatum, etc.), een interne beoordeling van de klant (nieuw, af en toe, regelmatig, …) en een samenvatting van zijn klacht.

Op basis van al deze inputs kunnen we bepalen welke compensatie we willen aanbieden. In dit voorbeeld hebben we het beperkt tot excuses, terugbetaling van de bestelling of een korting op zijn volgende bestelling.

AI kan de medewerker hierbij helpen door de compensatie te voorspellen. Dit kan worden gedaan door historische gegevens te analyseren die we al hebben voor deze taak, rekening houdend met de interne beoordeling, het bestelbedrag, etc. In een eerste stap kan de AI een compensatie voorstellen en kan de medewerker deze goedkeuren of afwijzen. Naarmate we meer vertrouwen krijgen in de voorgestelde compensatie (en meer historische gegevens hebben), kunnen we de AI de beslissing zelfstandig laten nemen.

Op deze manier verliest de medewerker minder tijd aan het analyseren van de gegevens en heeft hij meer tijd voor belangrijkere taken.

Conclusies

De combinatie van BPM en Predictive AI biedt een veelbelovende aanvulling om de operationele effectiviteit van organisaties te verbeteren. Door gebruik te maken van historische gegevens en geavanceerde voorspellingen kunnen bedrijven niet alleen inzichten verkrijgen in hun besluitvormingsprocessen, maar ook toekomstige trends en patronen herkennen. Dit stelt bedrijven in staat om proactief te handelen, kosten te minimaliseren en de waarde van hun processen te maximaliseren.

Met predictive AI als een integraal onderdeel van BPM kunnen organisaties hun concurrentiepositie versterken door sneller en slimmer te reageren op veranderende marktomstandigheden. Door kosten te minimaliseren, de waarde van hun processen te maximaliseren en repetitieve taken te verminderen, kunnen bedrijven zich focussen op hun kerntaak. De toekomst ligt open voor bedrijven die Predictive AI en BPM combineren.

 

Heb je nog vragen over dit artikel? Aarzel niet om ons even te contacteren.