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、遅延の集中箇所を示し、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。ダイアグラム上で自動的に見える承認も、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。遅延のほとんど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、運用の知能の問題である
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ール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11日
2026年5月11日
住宅ローンの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できなかった。
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。その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します。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ます。ボトルネックをデジタル化します。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されており、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、遅延の集中箇所を示し、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。ダイアグラム上で自動的に見える承認も、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。遅延のほとんど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ます。意思決定の可視性はそれを超えます。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。それは、例外経路がどの程度容量を消費しているか、そしてワークフローが実際にどのように振る舞っているかを、設計者が想定したものと比較させてくれます。
運用インテリジェンスとAIの準備性
これは最もリスクが高く、シーケンスの誤りが最も大きなダメージを与える場所です。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、その訓練データがその決定を支配すべき意思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され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ワークアラウンド、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。そのデータを基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、すなわちすべてのショートカットや記録されていないエスカレーション経路を学習します。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、常に自信を持って誤った結果を出します。正しい意思決定ロジックを訓練前に確立し、意図され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。それは、実装の意思決定を正当化できるようにする前提条件です。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：実際に仕事はどのような経路をたどり、各バリアントはどのくらいの頻度で発生するのか？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一貫しているのか？