希望流程挖掘成为撬动企服市场的突破口

  这是目前在看国内的一些关于RPA和流程挖掘相关的文章，整理了一下文章中需要注意的部分，能够帮助了解流程挖掘，如下所示。
BPM是业务流程管理。十几年前BPM就很火，但没有做起来的主要原因是什么？未来会有更多的BPM厂商来入局流程挖掘么？主要有两点因素。一是国内公司在咨询能力方面有欠缺，对流程不熟、对流程管理没有经验、对行业不了解的话就很难帮助用户去设计流程、做流程管理。二是有开源的产品出来，很多用户自己就开始利用开源的BPM产品在做，基本就把这条路堵了。
国内外厂商的主要区别在于场景化和人工智能利用两方面。场景化：国外企业更注重效率和人工成本的降低，但是在中国互联网发展过程中，中国场景化的提出会比国外快很多，国外讲产品化，产品化的核心就是把抽象的东西做出来，为客户提供工具化的产品，但不会关注客户的定制和特殊化需求。但在中国互联网公司，场景化的含义是更关注客户的个性化的需求，因此中国的场景化会更加明显。人工智能：中国的人工智能技术发展非常快。我们过去的整个的业务流程大多是从西方搬运过来的，先将整个流程固化，固化完又希望对流程做改造，也就是智能化。再做智能化的过程中，国外往往慢于国内，包括引入AI、大数据分析等技术。例如我们很多厂商在一开始做RPA的时候与AI相结合，所以在国内人工智能的应用要比国外快很多。
RPA在中国出现没多久市场就很快起来了，我觉得流程挖掘没有那么快。粗浅来看有三点因素：1、使用RPA能直接看到比较直观的成效；2、在投入上它是数字化创新的一个实践，不会更改或重塑之前的系统，对用户来说实践付出的成本要小一些；3、不会牵扯不同部门或组织间的多方利益关系。RPA赋能的是一个结点，只会讲一个节点下的一个任务去做自动化，不会把若干个节点串起来，赋能的是执行层，而流程挖掘能够把一个部门甚至跨部门的流程节点串联起来，它赋能的是组织，至少也是该组织的负责人。举例来说，RPA关注的是员工层面的效率和成效，流程挖掘关注的是端到端的流程，解决部门及跨部门的效率和成效问题。当前数字化转型的核心是组织的扁平化，想要实现L1-L6整个金字塔的扁平化，就需要效率得到极大地提高，提高的关键就是技术的应用，必须由技术带来组织和流程的变革才能实现整体的数字化转型。技术的改变很快，但是流程的改变很慢，组织的改变更慢。所以这个事情是个慢活，担保法起来势不可挡。
从学科来看，流程挖掘理论和研究虽然历经了20多年的发展，然而还不是很成熟，很多核心算法瓶颈并没有完全突破。比如最简单的通过日志来挖掘一个流程模型，目前还没有一个在任何场景下都通用的方法。现在之所以大家不把它当做一个难题，是因为现有的商业工具大部分都只是简单的将一个流程日志转化成有向图来展现，这就是所谓的“流程浏览器”，这个过程本质上并不涉及我们所谓的挖掘算法，而是一个直观的数据可视化的过程。另外产品和技术能力面临的挑战还包括：1、数据提取耗时、数据质量差。2、根因分析结果准确性不高；3、模型挖掘能力有限；4、面向实时数据的流程预测性监控能力不足；5、合规性检查效率低；6、平台分析结果不具操作性。
现在流程挖掘学术领域在研究的一个重点就是要做通用的方法，但是通用的方法也有利弊，哩的地方就是大家都可以拿来在此基础上做调整，弊端就是不能直接使用。产业界需要具备的能力是，在通用的方法上按照自己的目标或场景做调整，这样两者才能结合起来，但是目前在这方面国内外的产业界的研发能力和水平还比较局限，这也是目前产业界面临的人才瓶颈问题。
RPA中国：采购流程挖掘产品应该如何体系化思考和选择，哪些重要指标是值得用户关注的。
首先，从用户角度来讲，需要成立一个流程智能卓越中心（CoE），流程智能卓越中心是将流程挖掘深入有效地潜入组织，有效管理和协调组织内的流程、数据资源等。因为这其中最难的事情其实是跨部门的数据抓取、原有数据在各个部门处于分散状态，从下到上很难推进，所以这才是最大的问题。
其次，有了CoE部门，先确定需要做的KPI，去定义流程挖掘的考核绩效。如果没有考核，大家在执行的过程中都是盲目的状态。
当然，流程挖掘产品的选择，要而别注意有没有算法的支撑，因为流程挖掘的算法上千种，对于不同流程和场景需要不同的算法支撑，缺乏准确算法支撑的流程挖掘产品可以可视化出不同的流程变体，但很难还原出标准的流程模型，以及进行准确的合规分析和性能优化。
进而，从业务成效方面讲，如何结合流程视角和数据分析视角形成BI能力，是另一个关键点。流程视角包括四个方面：时间、组织、控制流、质量这四个维度。结合业务KPI和流程视角四个维度对整个流程来做到端到端的梳理，会形成对业务和流程的深度洞察，助力关键决策。
企业的全域数字化建设
企业的数字化转型目前还处于特别初级的阶段，未来大家都希望自己的企业转型成数字化企业，而转型的路径中有很重要的一条就是把流程做数字化。这个路径图我们把它称之为“MAP”智能地图，通过凡得科技的“MAP”智能地图，助力企业从现在迈向未来的数字化企业，这也是凡得科技的三个主要的核心能力。
MAP的第一M代表管理(Management)，也就是说团队必须对企业的整体流程和管理经验，把管理思想变成流程，从流程在变成线上的系统。只有系统沉淀了日志，有了数据，才能做流程挖掘。
MAP的第二A代表算法（Algorithm），这里包括了流程科学算法和数据科学算法两部分。从数据抓取到整个流程的发现，包括BPMN模型还原等，这其中涵盖了很多算法，尤其在流程实时监控的时候，我们需要对流程做一些预测，而传统的方法是用机器学习做数据分析，发现业务、流程的断面（snapshot），找他们之间的相关性。而流程科学本身有一个时间轴，它需要沿着时间轴来找前后的因果关系，所以把流程科学和数据科学结合起来形成流程挖掘算法，这里面既需要有流程科学的流程算法，也需要有科学地数据算法比如机器学习，并把相应的算法整合起来。
MAP的第三P代表最佳实践（Practice）。即使你有很好的算法和很好的管理经验，不能落地到场景对行业产生价值，那就没有任何意义。
“企业的全域数字化建设”涵盖了我们的两个定位。
第一：如果我们想搭建一套全域的超自动化，流程挖掘就是整个超级自动化的核心底座，或整个面向未来新一代IT架构的核心底座。
第二，我把它定义成一个大的框架。因为我们通过流程看到的是全局，流程挖掘的核心是把企业中的人、物、数据和流程串联了起来，然后结合其他的技术让超级自动化这整个事情发生，所以流程挖掘也是所有这些企业基础和全域数字化技术之间的一个核心桥梁。
关于未来技术怎么发展，从凡得的角度来讲，第一我们会和全域技术里所有的友商合作，只有把整个生态基础形成之后，才能更好的支撑企业从今天往未来的数字化去转型。
第二，我们会在流程挖掘平台上形成企业业务的端到端闭环，包括从流程发现-流程实时监控-流程执行的全过程。
流程挖掘在企业中的商用实践，会是自上而下推动居多，还是自下而上推动居多？
对于这个问题，我觉得它没有一个绝对方式，就看哪种更适用于一些企业当时的市场策略。但是如果是自上而下来推动，我觉得它的难度更大，周期也更长，因为这种方式更体系化，因此所产生的价值也会更大。
首先，我们现在做的事情其实仍处于0-1的阶段，而不是1-N。0-1的含义是不论是客户找过来，还是我们找客户都是为了不断地在0后面加1，也就是不断地积累经验、打磨产品，最后使产品变成1，形成真正产品化。如果找的客户都是重复性做一个审批流程，虽然有商业价值，但对整个市场的发展没有任何意义，所以我们现在对于主动找来的客户也是有选择的。第二，我们会主动找不同的场景，核心也是为了通过在0后面加0.1，最后形成1。0-1的核心是做了多少个不同的流程，这是我们对市场的理解。所以你提到的对于客户是主动还是被动都不重要，重要的是怎么做PMF（产品和市场达到最佳的契合点）。
凡得现在的客户主要集中在哪几个领域？像金融、政务这类的客户，我们看到相对在整个行业的应用来说是比较少的，是什么原因？
政务领域本身信息化较慢，因为它整个的流程比较分散，产生跨系统之间的集中效益相对来说比较困难。
对于金融领域来讲，它的信息化程度非常高，目前尚未表现出较强的实践动力，主要可能是因为，出于监管要求、合规风险考量难以对既定的流程进行改造。
安全合规包含了三个层面的意思。第一是基础设施安全，第二是软件本身安全，第三是数据安全。
就基础设施安全来看，我们包括了公有云和私有云两种部署方式。公有云部署会把安全的适配性做完；私有云部署会和用户一起来做相关的安全等保。
第二关于软件本身的安全，我们会有相应的第三方工具来评估及测试，并提供相应报告。
第三数据安全，数据安全包括两部分，一是客户本身的数据，首先在使用之前会签署相应的保密协议；其次在分析之前会做脱敏处理。
我们可以在做数据聚合的时候分区去管理。比如我们做的数据来自物资、财富和营销，在做聚合的时候就会把这些数据做隔离。即使对同样一个财务数据，但它同时来自过内/外两个渠道，我们也可以在这个层面上做隔离。如果再有新的需求增加，还可以再分各自的隔离区，做相应的扩展，最后再整合，这就是我们的策略。