Operational Analytics: uma abordagem diferenciada para aumentar a eficiência dos processos a partir dos dados
As empresas estão em uma busca constante para aumentar a sua eficiência, procurando diminuir seus custos operacionais, fazer mais com a mesma quantidade de recursos (ou ainda com menos recursos), na busca permanente da melhoria da rentabilidade.
Uma parte desse aumento de eficiência é feito por meio ações que envolvem a observação dos processos ou acompanhamento da operação e identificação de melhorias. A abordagem de Operational analytics inverte essa lógica, utilizando os dados como insumos para a descoberta, análise e identificação de melhorias nos processos.
Dados: o input para identificar melhorias
O volume de dados gerados no mundo está em crescimento constante e chegará em 2025 a 175 zettabytes, segundo o estudo do IDC. Para efeito de comparação em 2018 foram produzidos 33 zettabytes, um crescimento de mais de 430% (1 zettabyte= 1 bilhão de terabytes).
Uma parte dos dados gerados se refere aos sistemas corporativos. Aqui estamos falando de plataformas de ERPs, CRMs, workflows, entre outros, que geram tanto dados transacionais quanto registros gerados pelas pessoas que manusearam esses sistemas (os logs sistêmicos), além de informações complementares.
Dados transacionais
Esses dados contemplam as quantidades de itens transacionados, podendo ser tickets, chamados, etc. São as unidades executadas ao longo das tarefas dos processos.
Aqui se considera as unidades processadas, considerando as eventuais especificidades do processo, como quando um ticket aberto por um cliente gera n tickets internos a serem tratados.
Logs sistêmicos
Com relação aos registros gerados pelas pessoas que manusearam os sistemas, eles são comumente chamados de foot-print digital. Esses logs registram todas as ações feitas no sistema, considerando input de informação, ações nas telas, aprovações, etc.
Esses logs tem uma função muito importante com relação a parâmetros de auditoria, pois caso ocorra um erro, se poderá verificar quem fez a ação e quando fez.
Uma outra função não tão conhecida é que esses mesmos logs podem ser utilizados para entender e analisar os processos, as tarefas que são executadas, suas variações, seus tempos, seus volumes, etc.
Informações complementares
Além dos dados transacionais e dos logs sistêmicos, outros dados, como custo de sistemas, custos de ferramentas, quantidade de pessoas, que podem ser associados aos processos a fim de se ter uma visibilidade
Como processar as informações para identificar oportunidades de melhoria nos processos?
Com o avanço de técnicas e plataformas que possuem capacidade de processar um grande volume de dados (o que se denomina big data), torna-se possível e viável que os dados transacionais e logs sistêmicos possam ser coletados, processados e analisados.
No que tange as plataformas com capacidades para processar os dados, podemos considerar desde sistemas de big data, plataformas de Data Mining / Data Science e plataformas específicas para mineração de processos.
Atualmente há uma ampla variedade de plataformas tanto privadas quanto open source que possibilitam o processamento, análise e identificação de oportunidades de melhoria nas operações a partir dos dados gerados.
Essas plataformas possibilitam uma série de análises como:
Análises exploratórias:
Análises que envolvem o entendimento dos dados, contemplando as medidas de posição (média, mediana, desvio padrão, etc.), análise de frequência com diferentes períodos, correlação, etc. Essas análises visam compreender as características dos processos e a qualidade dos dados.
Análises avançadas:
Análises que envolvem a mineração de processos, com a utilização de algoritmos específicos para descobrir os fluxos de trabalho contemplando uma visão fim a fim do fluxo com todas as suas variações, com associação com as informações complementares.
Tanto as análises exploratórias quanto as análises avançadas podem ser feitas contemplando tanto amostras com representatividade estatística mínima das situações que ocorrem na operação ou a totalidade dos dados.
Mas por que eu preciso dos dados, é factível identificar oportunidades de melhoria nas operações sem eles?
Sabemos que é possível identificar melhorias nos processos operacionais sem levar em conta a totalidade dos dados de transação, logs sistêmicos e informações complementares. Aliás esse método é o mais comum aplicado nas empresas.
Usualmente a identificação de oportunidades de melhoria inicia-se pela observação do processo existente, a partir das interações com as pessoas que executam os processos, podendo envolver os gestores, os executores, as áreas impactadas, etc. Complementarmente às interações, pode se executar o acompanhamento da operação, observando como as tarefas são realizadas, enriquecendo o entendimento.
Uma vez feito o entendimento, se pode agregar ao diagnóstico os dados atrelados à operação, como volumes, custos, tempos, etc. Com essas informações se concretiza uma visão geral da operação.
Com essa visão geral se pode realizar uma série de análises a fim de identificar oportunidades de melhoria nos processos.
Porém, essa abordagem tem algumas problemáticas que devem ser levadas em conta, como:
- As pessoas que executam o processo não falam todas as variações de um fluxo (muitas vezes elas nem conhecem todas as variações)
- As pessoas que executam o processo tendem a explicar os caminhos que mais os incomodam (não tendo necessariamente uma frequência relevante)
- O levantamento de informações de forma amostral pode não refletir a totalidade dos casos (muitas vezes é inviável coletar manualmente as informações no tempo do entendimento)
- Nem todas as pessoas são envolvidas nos levantamentos e discussões (seja por indisponibilidade de agenda ou para não impactar nas rotinas da área)
Ou seja, a subjetividade natural embarcada nas comunicações e percepções humanas.
Isso não quer dizer que essa abordagem mais tradicional seja ruim, só destacamos que há possibilidade de endereçar essas problemáticas por meio de uma abordagem orientada a dados, potencializando a identificação de oportunidades de melhoria.
Diagnóstico analítico: a abordagem de Operational analytics
A abordagem de Operational Analytics visa viabilizar a melhoria sustentada na performance, por meio de técnicas de advanced analytics.
Para alcançar esse objetivo, se lança mão de uma série de técnicas analíticas para coletar e processar os dados, promovendo um diagnóstico analítico, que suportará a identificação de melhorias tendo em vista a adoção de capacidades tecnológicas avançadas como RPA (automação de processos), agentes cognitivos, inteligência artificial entre outros.
O primeiro momento da abordagem consiste no diagnóstico analítico da situação atual da área. Esta etapa se inicia com um entendimento geral dos processos foco para o diagnóstico, onde são coletadas informações relativas aos processos atuais. O foco é produzir uma visão geral da operação, com os macroprocessos e sistemas envolvidos.
Com a estruturação de um entendimento geral, se tem um mapa para buscar as informações dos sistemas em que os processos são transacionados, as volumetrias e custos associados. O passo seguinte é fazer extração dos logs e volumetrias existentes no sistema e verificar a qualidade dados extraídos para a modelagem.
A modelagem contempla a utilização de algoritmos específicos para identificar os padrões dos dados obtidos, juntamente com a associação de dados como volume, custos, entre outros. Esses algoritmos formarão um fluxo do processo que contempla todas as variações que existem naquele processo, além de informações como quantidades, tempos e custos.
Isso possibilita realizar uma serie de análises de forma rápida e fácil, tendo a rastreabilidade na menor granularidade: a unidade do processo. Isso permite complementar a análise identificando os casos que ocorreram, como as variações mais demoradas, os dados que que foram “esquecidos”, ou seja, os que não tiveram uma finalização, entre outros.
Dentre as análises possíveis de serem realizadas, destacamos:
- Inspeção de casos: análise quanto a quantidade de variações executadas, sua duração, quantidades de etapas, custos, etc.
- Testes de conformidade: analisar a quantidade de processos que seguem os processos de referência, como o “caminho feliz” e os que não seguem
- Identificação de gargalos: variações que geram maiores filas de espera e seus impactos nos processos
- Visão organizacional: análise de produtividade dos processos por áreas envolvidas, performance de colaboradores, etc.
- Análises estatísticas: análises considerando as variações dos processos (ex.: duração média para os processos que estão conformes e os não conformes)
- Clusters de processos: análise de diferentes variáveis para identificar processos com que possuem comportamentos similares
Com essas análises se terá um mapa geral da operação, possibilitando identificar uma série de oportunidades de melhoria disruptivas e incrementais, conectando o conhecimento das tecnologias com o conhecimento das operações que as empresas tem em workshops de co-criação.
Como resultado do workshop de co-criação as melhorias são catalogadas e priorizadas, além da sua avaliação econômico-financeira, por meio de business cases que aferem os custos de implantação e os ganhos na operação.
Para aferir os ganhos operacionais os resultados do diagnóstico analítico são utilizados tanto como insumo, uma vez que se tem, em uma visão consolidada, a informação da totalidade da operação, quanto como subsidio nos ganhos dos processos com as melhorias, uma vez que se pode simular a execução dos processos com as melhorias identificar e aferir os ganhos.
Uma vez priorizadas as melhorias elas são organizadas em um roadmap de transformação, onde as iniciativas propostas são listadas nas diferentes dinâmicas, considerando suas dependências e o maior retorno e menor tempo para sua implantação. Com esse roadmap se inicia uma jornada para tornar as operações digitais, agregando capacidades tecnológicas avançadas.
