クリーンなイベントログから、Celonis、UiPath Process Mining、SAP Signavioなどのプロセスマイニングツールは、実際のプロセス経路を再構築し、遅延が集中する場所を示し、記録されたモデルと実際の行動を比較します。プロセスマップが示す内容とイベントログが示す内容の間には、ほとんど常に大きなギャップがあります。図に見える自動承認も、実際には3つのメールスレッドと誰も正式に承認していないスプレッドシートを含むことがあります。DHLが通関業務にプロセスマイニングを適用したとき、管理者が予想したボトルネックは見つかりませんでした。遅延は処理時間ではなく、意思決定の遅延、つまりケースが決定ポイントに到達してから実際に決定が下されるまでのギャップにありました。
なぜデジタル変革は失敗するのか：それは技術の問題ではなく、運用の知性の問題である
すべての変革プログラムは、プロセスマップ、スイムレーン図、文書化されたワークフロー、そして組織が自分たちの仕事の流れを理解しているという共通の信念から始まります。
その信念はほとんど常に誤っており、その移行途中でそれを発見するコストはめったに小さくありません。TSBに尋ねてください。
2018年4月、TSBはレガシーのロイズプラットフォームから新しいシステムへ13億人の顧客記録を移行しました。これはスペインの親会社サバデリが構築したものでした。48時間以内に、190万人の顧客がアカウントにアクセスできなくなりました。
もっとストーリー
2026年5月9日
2026年5月7日
住宅ローン顧客は他人の残高を見ることができた。ビジネスアカウントは数週間アクセス不能だった。
コストは3億3000万ポンドを超えた。CEOは辞任した。その後のレビューで、移行はTSBの既存のプロセスと新システムのアーキテクチャ間の相互依存性を十分に理解せずに進められたことが判明した。技術は動作したが、それが何を運ぶべきかをマッピングした人は誰もいなかった。問題には名前があり、多くの組織が理解しているよりも正確なものだ。
運用インテリジェンスとは何か？
運用インテリジェンスは、既存のシステムから実際に仕事がどのように流れるかの正確なデータに基づく画像を導き出すものです。それは、ステークホルダーのインタビューやワークショップでは確実に答えられない質問に答えます：実際に仕事はどのような経路をたどるのか？遅延はどこに蓄積し、なぜ起こるのか？誰がどのポイントでどのような決定を下し、一貫性はあるのか？これがなければ、確実に3つのことが起こります。チームは未定義のワークフローを自動化し、ボトルネックをデジタル化し、非効率をプラットフォーム全体に拡大します。
データ層
運用インテリジェンスの原材料はイベントデータです。すべての企業システム：ERP、CRM、ケース管理、注文管理はイベントログを書き込みます。すべてのステータス変更、承認トリガー、レコード更新にはタイムスタンプが付いています。これらのタイムスタンプはケース識別子とリンクし、実際の運用行動の完全な記録を含みます。これらのデータはすでに企業が運用しているシステムに存在しています。通常存在しないのは、それを変革戦略の主要な入力として扱う実践、ではなくコンプライアンスの副産物として扱うことです。
クリーンなイベントログから、Celonis、UiPath Process Mining、SAP Signavioなどのプロセスマイニングツールは、実際のプロセス経路を再構築し、遅延が集中する場所を示し、記録されたモデルと実際の行動を比較します。プロセスマップが示す内容とイベントログが示す内容の間には、ほとんど常に大きなギャップがあります。図に見える自動承認も、実際には3つのメールスレッドと誰も正式に承認していないスプレッドシートを含むことがあります。DHLが通関業務にプロセスマイニングを適用したとき、管理者が予想したボトルネックは見つかりませんでした。遅延は処理時間ではなく、意思決定の遅延、つまりケースが決定ポイントに到達してから実際に決定が下されるまでのギャップにありました。
この区別は重要です。ほとんどの変革プログラムは、パイプライン内の状況、すなわちプロセスの可視性に焦点を当てています。意思決定の可視性はそれを超えます。意思決定ポイントはワークフローが分岐する場所であり、その分岐にケース属性を重ねることで、どの要素が経路選択を支配しているのか、そしてそのガバナンスがチーム間や時間を超えて一貫しているかどうかを明らかにします。これにより、どの例外経路が過剰な容量を消費しているのか、ワークフローが実際にどのように動作しているのか、設計者が想定したものと比較してわかります。
運用インテリジェンスとAIの準備性
ここが最もリスクが高く、シーケンスの誤りが最も大きなダメージをもたらす場所です。ルーティング決定を自動化するために訓練された機械学習モデルは、その訓練データが決定ロジックを正確に反映していれば、良好に機能します。重要なのは、「すべき」ことです。
ほとんどの組織では、過去の意思決定データは意図したロジックを反映していません。それは、正式なルールと非公式な回避策、個人の裁量、システム外で処理され記録されない例外を混合したものです。そのデータをもとに訓練されたモデルは、ルールではなく、実際に人々が行ったことの平均、すなわちショートカットや未記録のエスカレーション経路を含む、歪んだバージョンの意図されたロジックを学習します。大規模に展開されると、それらのパターンを機械の速度で再現し、一貫して自信を持って誤った決定を下します。正しい意思決定ロジックを訓練前に確立し、意図した行動を反映したデータセットを構築することは、衛生的なステップではありません。それは、良い決定を加速させるAIシステムと、悪い決定を拡大させるシステムの違いです。
選択前のシーケンス
運用インテリジェンスは、実装と並行して進行するワークストリームではありません。実装の決定を正当化するための前提条件です。プラットフォームを選択したり、自動化のブリーフを書いたりする前に、データから答えを得る必要がある3つの質問があります：仕事は実際にどのような経路をたどり、各バリアントはどのくらい頻繁に発生するのか？遅延はどこに蓄積し、何の属性がそれを予測するのか？ワークフローが分岐する決定点はどこで、その分岐を実際に支配しているのは何か、そしてそのガバナンスはチーム間や時間を超えてどれほど一貫しているのか？
Felicia Oyedaraは、英国を拠点とするデータアナリストで、フィンテック、銀行、コンサルティング環境におけるデジタル運用、プロセス最適化、人的分析を専門としています。彼女は、運用データと労働力データを明確で実行可能な洞察に変換し、パフォーマンスの向上、プロセスの合理化、より良い意思決定の支援に焦点を当てています。