Process Discovery methods in RPA project
Sahlman, Miia (2024)
2024
All rights reserved. This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-2024092725730
https://urn.fi/URN:NBN:fi:amk-2024092725730
Tiivistelmä
Ohjelmistorobotiikan (RPA) ja prosessilouhinnan käyttö on noussut merkittävään rooliin operatiiviseen tehokkuuteen tähtäävissä yrityksissä. Tämän tutkimuksen tavoite on löytää datalähtöisiä menetelmiä prosessidatan analysointiin, jotta sen pohjalta pystyttäisiin tunnistamaan toistuvia säännönmukaisia automatisoitavia prosesseja. Tavoitteena on ymmärtää, miten prosessi- sekä tehtävälouhinnan avulla voidaan tunnistaa ja valita parhaat automaatiokohteet.
Tutkimuksessa on tarkoitus perehtyä prosessilouhintaan keskittyen erityisesti prosessilouhintatyökaluun nimeltä Celonis. Päämääränä on löytää käytännöllisiä menetelmiä automaatiomahdollisuuksien tunnistamiseen transaktiodatan avulla. Lopuksi tutkimustulosten perusteella luodaan koulutusmateriaali, joka tukee liiketoiminnan käyttäjien kouluttamista Business Process Automation Analyst rooliin, vahvistaen RPA:n käyttöä organisaatiossa.
Tämän tutkimuksen taustalla on tarve tehostaa prosessianalyysi vaihetta RPA projektin alkuvaiheessa. Automaatiokohteet ovat perinteisesti sääntöpohjaisia, riittävän usein toistuvia, eikä niissä juuri esiinny muuttuvia tekijöitä. Edistyneiden data-analytiikka ja louhintamenetelmien käyttö prosessianalyysi vaiheessa tarjoaa keinoja toistuvien ja sääntöihin perustuvien mallien tunnistamiseen prosessidatasta.
Opinnäytetyö esittelee keskeisimpiä keinoja automaatiokohteiden löytämiseen, kuvaa keskeiset prosessilouhinnan menetelmät sekä näitä menetelmiä hyödyntävän tutkimuksen tuloksia. Kohdeyritykselle tehdyt analyysit tarjoavat käytännön tietoa Celoniksen soveltamisesta prosessidatan visualisoinnin ja analysoinnin välineenä.
Tutkimustulokset todentavat, että prosessilouhinta on arvokas työkalu analyysivaiheen tueksi RPA projekteissa. Se tarjoaa kuitenkin niin korkean tason näkymän prosesseihin, että se ei välttämättä aina riitä RPA-tarkoituksiin, mikä korostaa tehtävälouhinnan merkityksellisyyttä RPA projekteissa. Yhteenvetona voidaan todeta, että vaikka prosessilouhinnalla on huomattava potentiaali, teknologia ei yksin riitä automaatio asteen nostamiseen vaan ihmisten rooli on merkittävä niin datan analysoinnissa, validoinnissa kuin johtopäätösten tekemisessä. Tekoälyn integroinnin prosessilouhintaan odotetaan tarjoavan ennustavia ja ennakoivia ominaisuuksia prosessianalyysin tueksi lähitulevaisuudessa. In the rapidly evolving landscape of digital transformation, the integration of Robotic Process Automation (RPA) and process mining has become essential for organizations striving for operational excellence. This thesis investigates the latest advancements in process discovery, focusing on how the combination of process mining and task mining can be leveraged to identify and select the most impactful automation candidates for RPA initiatives.
The aim of this thesis is to investigate the advanced process discovery methods within RPA, with a special emphasis on process mining tool called Celonis. Target is to find practical methods for pinpointing high-value automation opportunities from extensive datasets. Finally, the study aims to create training materials to support the education of business users as Business Process Automation Analysts to bolster RPA implementation within organizations.
The background for this study lies in the recognized need for improved process analysis in the pre-implementation phase of RPA. Traditional automation candidates have been rule-based, often repetitive, high-volume tasks. By employing comprehensive data analytics, process discovery offers robust capabilities in identifying repetitive and rule-based patterns in processes.
The core content of the thesis covers the theoretical keystones of process discovery and mining, alongside empirical studies utilizing these methods in business contexts. Case studies conducted within target companies furnish practical insights into the application of Celonis as a tool for visualization and analysis of process data.
The research outcomes confirmed that process mining is a valuable tool for supporting RPA's process discovery phase. However, it provides such a high-level view of processes that it may not always be sufficient for RPA purposes, making the role of task mining increasingly relevant. In conclusion, while process mining holds considerable potential, the key to successful automation lies in a comprehensive strategy that encompasses human insight, thorough data verification, and continuous engagement with experts in the domain. Looking ahead, the integration of artificial intelligence with process mining is expected to unlock even greater proactive and predictive capabilities to support process discovery.
Tutkimuksessa on tarkoitus perehtyä prosessilouhintaan keskittyen erityisesti prosessilouhintatyökaluun nimeltä Celonis. Päämääränä on löytää käytännöllisiä menetelmiä automaatiomahdollisuuksien tunnistamiseen transaktiodatan avulla. Lopuksi tutkimustulosten perusteella luodaan koulutusmateriaali, joka tukee liiketoiminnan käyttäjien kouluttamista Business Process Automation Analyst rooliin, vahvistaen RPA:n käyttöä organisaatiossa.
Tämän tutkimuksen taustalla on tarve tehostaa prosessianalyysi vaihetta RPA projektin alkuvaiheessa. Automaatiokohteet ovat perinteisesti sääntöpohjaisia, riittävän usein toistuvia, eikä niissä juuri esiinny muuttuvia tekijöitä. Edistyneiden data-analytiikka ja louhintamenetelmien käyttö prosessianalyysi vaiheessa tarjoaa keinoja toistuvien ja sääntöihin perustuvien mallien tunnistamiseen prosessidatasta.
Opinnäytetyö esittelee keskeisimpiä keinoja automaatiokohteiden löytämiseen, kuvaa keskeiset prosessilouhinnan menetelmät sekä näitä menetelmiä hyödyntävän tutkimuksen tuloksia. Kohdeyritykselle tehdyt analyysit tarjoavat käytännön tietoa Celoniksen soveltamisesta prosessidatan visualisoinnin ja analysoinnin välineenä.
Tutkimustulokset todentavat, että prosessilouhinta on arvokas työkalu analyysivaiheen tueksi RPA projekteissa. Se tarjoaa kuitenkin niin korkean tason näkymän prosesseihin, että se ei välttämättä aina riitä RPA-tarkoituksiin, mikä korostaa tehtävälouhinnan merkityksellisyyttä RPA projekteissa. Yhteenvetona voidaan todeta, että vaikka prosessilouhinnalla on huomattava potentiaali, teknologia ei yksin riitä automaatio asteen nostamiseen vaan ihmisten rooli on merkittävä niin datan analysoinnissa, validoinnissa kuin johtopäätösten tekemisessä. Tekoälyn integroinnin prosessilouhintaan odotetaan tarjoavan ennustavia ja ennakoivia ominaisuuksia prosessianalyysin tueksi lähitulevaisuudessa.
The aim of this thesis is to investigate the advanced process discovery methods within RPA, with a special emphasis on process mining tool called Celonis. Target is to find practical methods for pinpointing high-value automation opportunities from extensive datasets. Finally, the study aims to create training materials to support the education of business users as Business Process Automation Analysts to bolster RPA implementation within organizations.
The background for this study lies in the recognized need for improved process analysis in the pre-implementation phase of RPA. Traditional automation candidates have been rule-based, often repetitive, high-volume tasks. By employing comprehensive data analytics, process discovery offers robust capabilities in identifying repetitive and rule-based patterns in processes.
The core content of the thesis covers the theoretical keystones of process discovery and mining, alongside empirical studies utilizing these methods in business contexts. Case studies conducted within target companies furnish practical insights into the application of Celonis as a tool for visualization and analysis of process data.
The research outcomes confirmed that process mining is a valuable tool for supporting RPA's process discovery phase. However, it provides such a high-level view of processes that it may not always be sufficient for RPA purposes, making the role of task mining increasingly relevant. In conclusion, while process mining holds considerable potential, the key to successful automation lies in a comprehensive strategy that encompasses human insight, thorough data verification, and continuous engagement with experts in the domain. Looking ahead, the integration of artificial intelligence with process mining is expected to unlock even greater proactive and predictive capabilities to support process discovery.