Tag: process mining

Alla scoperta dei flussi di lavoro reali: un percorso basato sui dati per il miglioramento dei processi HR

Questo articolo è la traduzione in italiano di un articolo già precedentemente pubblicato in inglese su questo blog.
Link all’articolo originale.

Nel dinamico mondo delle risorse umane, in particolare all’interno delle grandi organizzazioni, la gestione di processi complessi come l’inserimento e il reclutamento del personale può rapidamente diventare una sfida significativa. Questo articolo approfondisce un esperimento trasformativo condotto all’interno del reparto risorse umane di una cooperativa sociale italiana di 3.000 persone. L’innovazione principale è stata l’applicazione del data mining per rivelare e analizzare la realtà dei flussi di lavoro operativi, un approccio che si è rivelato cruciale in un ambiente che faticava a mantenere prevedibilità ed efficienza. Nonostante la disponibilità di sistemi informativi legacy, il loro sottoutilizzo e l’affidamento a processi manuali, come l’uso di file Excel per le assunzioni di massa, rendevano molto difficile ottenere una comprensione chiara o fornire previsioni affidabili all’azienda.

La situazione iniziale: imprevedibilità e sovraccarico manuale

L’organizzazione, che partecipa spesso a gare d’appalto pubbliche, era sottoposta a forti pressioni per l’ingresso e l’uscita rapida di un gran numero di dipendenti. Ciò ha portato a una situazione in cui i flussi di lavoro del reparto risorse umane erano difficili da gestire e i sistemi informativi legacy venivano utilizzati solo in parte. Ad esempio, i file Excel manuali erano la norma per le assunzioni di massa.

I primi sforzi si sono concentrati sull’ottenimento del controllo:

  • Mappatura del flusso di lavoro: il primo passo ha comportato la mappatura visiva dei flussi di lavoro HR esistenti con modalità “low tech, high touch”.
  • Misurazione manuale: sono state identificate le fasi chiave per la misurazione e i dati sono stati raccolti manualmente in un file Excel. I campioni iniziali hanno rivelato che i tempi di onboarding variavano notevolmente da 1 a 96 giorni, senza uno schema riconoscibile. Ciò rendeva impossibile per l’HR fornire promesse di consegna affidabili all’azienda.
  • Identificazione dei colli di bottiglia: l’analisi dei dati ha rapidamente individuato la fase di firma del contratto come uno dei principali colli di bottiglia, che rispecchiava il comportamento generale del processo. Questa fase, che prevedeva firme digitali remote, è stata notevolmente migliorata affrontando le questioni sottostanti.
  • Prevedibilità migliorata: dopo aver risolto il collo di bottiglia, la prevedibilità è migliorata in modo significativo, con oltre il 91% degli onboarding completati entro otto giorni.
  • Evoluzione con Kanban: per far maturare ulteriormente il sistema, il team ha adottato una Kanban board elettronica, per poter implementare più pratiche Kanban e raccogliere automaticamente le metriche. Lo stesso approccio è stato esteso con successo anche al flusso di lavoro del recruiting.

Nel corso di un anno, il metodo Kanban ha prodotto risultati impressionanti, raggiungendo il 97% degli onboarding entro sei giorni e l’82% dei recruiting entro dieci giorni. La storia completa di questi primi risultati può essere letta nel caso di studio Kanban in HR case study sul portale Kanban+.

Tuttavia, nonostante i miglioramenti, rimaneva una sfida non risolta: il reparto continuava a raccogliere dati a campione anziché in modo costante. Era riluttante ad adottare pienamente il nuovo strumento Kanban a causa del percepito sovraccarico aggiuntivo derivante dall’utilizzo di un nuovo strumento insieme ai sistemi legacy esistenti.

Il problema principale: un labirinto di sistemi eterogenei

Le operazioni del reparto HR erano distribuite su una serie di sistemi legacy notevolmente eterogenei e disparati. Questi includevano:

  • Un file Excel alimentato da una form di Microsoft Form.
  • Un’applicazione di recruiting dedicata.
  • Un’applicazione di onboarding.
  • Un’applicazione HR per le paghe.
  • Un sistema informativo regionale per l’impiego esterno (cruciale per la conformità legale e la definition of done).

Sebbene alcuni sistemi disponessero di integrazioni batch notturne, non esisteva una visione unificata dell’intero flusso di lavoro end-to-end. Cercare di raccogliere manualmente dati completi da questi sistemi era difficile, poiché ogni sistema esportava i dati in modo diverso.

L’esperimento: un data lake in soccorso

Riconoscendo la necessità di una misurazione completa e continua, è stato avviato un esperimento utilizzando Algorilla, una piattaforma di knowledge discovery. Questa piattaforma, originariamente sviluppata per consentire ai responsabili IT di ottenere il controllo sulle architetture IT aziendali, ha fornito un prezioso suggerimento: nei log e nei timestamp dei sistemi legacy esisteva già una “miniera d’oro di dati” che poteva essere sfruttata per evolvere il sistema Kanban.

Algorilla funziona come un sistema di data lake, in grado di raccogliere dati da fonti eterogenee, combinarle in un formato analizzabile e visualizzarle su dashboard. La premessa era semplice ma rivoluzionaria: se il sistema fosse stato in grado di rivelare in tempo reale ciò che stava realmente accadendo all’interno di infrastrutture IT complesse, avrebbe potuto fare lo stesso per i processi di business.

La verifica di questo concetto ha comportato l’inserimento dei dati provenienti da tutti e cinque i diversi sistemi HR in Algorilla. La piattaforma è stata progettata per:

  • Acquisire dati da vari formati, inclusi file Excel, esportazioni da database e persino ricevute in formato PDF.
  • Combinare e analizzare questi diversi dati per ricostruire il flusso di lavoro reale.
  • In futuro, gli agenti automatizzati potranno raccogliere direttamente i dati dai database senza esportazioni manuali.

Il disvelarsi della realtà: risultati chiave

L’implementazione ha fornito chiarezza e comprensione senza precedenti:

  • Analisi completa dei dati: per la prima volta, il reparto HR ha potuto analizzare tutti i dati storici, non solo alcuni campioni, ottenendo un quadro accurato dell’effettivo funzionamento dei flussi di lavoro.
  • Visibilità end-to-end: la piattaforma ha consentito l’analisi dell’intero flusso di lavoro, dal recruiting all’onboarding, oltre a fornire informazioni dettagliate sulle singole fasi del processo.
  • Monitoraggio in tempo reale: i flussi di lavoro sono stati visualizzati con contatori in tempo reale del lavoro in corso (WIP) per ogni fase e durata media delle fasi. Le dashboard includevano le metriche Kanban tipiche, come il produttività, la distribuzione dei tempi di consegna e i diagrammi di flusso cumulativi.
  • Rilevamento delle anomalie: il sistema ha aiutato a identificare valori anomali e situazioni insolite, come quella soprannominata “l’assunzione di Speedy Gonzales”, completata in pochi minuti, suggerendo l’inserimento a posteriori dei dati per recuperare gli aggiornamenti di sistema che erano rimasti indietro.
  • Correzione del flusso di lavoro: l’analisi dei dati ha persino corretto le interpretazioni errate del flusso di lavoro stesso. Ad esempio, i dati hanno rivelato che la registrazione nel sistema paghe avveniva prima della registrazione nel sistema regionale, una sequenza che in precedenza non era completamente chiara.

Una svolta per le organizzazioni vincolate da sistemi legacy

Questo approccio può rivelarsi particolarmente prezioso per le organizzazioni che si affidano a sistemi legacy. Consente loro di analizzare e migliorare i propri processi senza incorrere nei costi aggiuntivi associati alla manutenzione di uno strumento Kanban separato. Poiché funziona con i dati esistenti, è perfettamente in linea con il principio “inizia con quello che fai oggi”.

I miglioramenti futuri previsti per la piattaforma includono la possibilità di visualizzare le policy e l’efficienza di flusso sulla dashboard, nonché l’opzione di impostare avvisi per le violazioni dei limiti al lavoro in corso (WIP). Ciò consentirà di integrare ulteriormente le pratiche Kanban e alle organizzazioni di ottimizzare le loro operazioni.

In sostanza, l’esperimento ha dimostrato che, raccogliendo e analizzando strategicamente i dati esistenti provenienti da sistemi legacy disparati, le organizzazioni possono scoprire la vera realtà dei loro flussi di lavoro, identificare le inefficienze nascoste e prendere decisioni basate sui dati. Possono quindi sfruttare tali informazioni per accelerare lo sviluppo evolutivo del loro sistema Kanban e ottenere miglioramenti significativi del flusso di lavoro in un arco di tempo più breve.

Revealing real workflows: a data-driven journey in HR process improvement

In the dynamic world of Human Resources, particularly within large organisations, managing complex processes like onboarding and recruiting can quickly become a significant challenge. This article delves into a transformative experiment conducted within the HR department of a 3,000-person social cooperative in Italy. The core innovation was the application of data mining to reveal and analyse the reality of operational workflows, an approach that proved crucial in an environment struggling to maintain predictability and efficiency. Despite the availability of legacy information systems, their underutilization and a reliance on manual processes—such as using Excel files for bulk onboardings—made it very difficult to gain a clear understanding or provide reliable delivery predictions to the business.

The initial landscape: unpredictability and manual overload

The organisation, which is frequently involved in public tenders, was under great pressure to onboard and offboard large numbers of employees quickly. This led to a situation where the HR department’s workflows were difficult to manage and legacy information systems were only partially utilised. For example, manual Excel files were the norm for bulk onboarding.

Early efforts focused on gaining control:

  • Workflow mapping: the first step involved visually mapping the existing HR workflows in a “low tech, high touch” manner.
  • Manual measurement: key steps were identified for measurement, and data was manually collected in an Excel file. Initial samples revealed that onboarding lead times scattered wildly from 1 to 96 days, with no discernible pattern. This made it impossible for HR to provide reliable delivery promises to the business.
  • Bottleneck identification: analysis of data quickly pointed to the contract signature step as a major bottleneck, mirroring the overall process’s pattern. This step, involving remote digital signatures, was dramatically improved by addressing underlying issues.
  • Improved predictability: after fixing the bottleneck, predictability significantly improved, with over 91% of onboardings delivered within eight days.
  • Evolving with Kanban: to further mature the system, the team adopted an electronic Kanban board, to be able to implement more Kanban practices and automatically collect metrics. The same approach was also successfully extended to the Recruiting workflow.

Over the course of a year, the Kanban method yielded impressive results, achieving 97% of onboardings within six days and 82% of recruitments within ten days. The full story of these initial achievements can be read in the Kanban in HR case study on the Kanban+ portal.

Nevertheless, despite the improvements, a persistent challenge remained: the department continued to collect data on a sample basis rather than constantly. They were reluctant to fully adopt the new Kanban tool due to the perceived additional overhead of using a new tool alongside their existing legacy systems.

The core problem: a labyrinth of disparate systems

The HR department’s operations were spread across a highly heterogeneous and scattered set of legacy systems. These included:

  • A Microsoft Form feeding into an Excel file.
  • A dedicated recruiting application.
  • An onboarding application.
  • An HR payroll application.
  • An external regional employment information system (crucial for legal compliance and the definition of done).

While some systems had overnight batch integrations, there was no unified view of the entire end-to-end workflow. Attempting to collect comprehensive data manually from these systems was a difficult, as each system exported data differently.

The experiment: a data lake to the rescue

Recognizing the need for comprehensive, continuous measurement, an experiment was launched using Algorilla, a knowledge discovery platform. This platform, originally developed to enable IT executives to gain control over corporate IT architectures, triggered a valuable insight: a ‘gold mine of data’ already existed within the logs and timestamps of the legacy systems that could be exploited to evolve the Kanban system.

Algorilla functions as a data lake system, capable of collecting heterogeneous data sources, combining them into an analyzable format and displaying them on dashboards. The premise was simple yet revolutionary: if the system could reveal in real time what was truly happening within complex IT infrastructures, it could do the same for business processes.

The proof of concept involved feeding data from all five disparate HR systems into Algorilla. The platform was designed to:

  • Ingest data from various formats, including Excel files, database exports, and even PDF receipts.
  • Combine and analyze these diverse data points to reconstruct the real workflow.
  • In the future, automated agents could directly collect data from databases without manual exports.

Revealing the reality: key outcomes

The implementation delivered unprecedented clarity and insights:

  • Comprehensive data analysis: for the first time, the HR department could analyze all historical data, not just samples, providing an accurate picture of how workflows were really working.
  • End-to-end visibility: the platform enabled analysis of the entire recruiting-to-onboarding workflow, as well as detailed insights into individual process steps.
  • Real-time monitoring: workflows were visualized with real-time Work-In-Progress (WIP) counts per step and average step durations. Dashboards included the typical Kanban metrics such as Throughput, Lead Time Distribution and Cumulative Flow Diagrams.
  • Anomaly detection: the system helped identify outliers and unusual situations, such as what was nicknamed Speedy Gonzales’ hire, which was completed in minutes, suggesting retrospective data entry to catch up with forgotten system updates.
  • Workflow correction: data analysis even corrected misinterpretations of the workflow itself. For example, the data revealed that payroll registration occurred before regional system registration, a sequence previously not fully understood.

A game changer for organisations bound by legacy systems

This approach can prove particularly valuable for organisations that rely on legacy systems. It enables them to analyse and enhance their processes without incurring the additional overhead associated with maintaining a separate Kanban system tool. As it works with existing data, it is perfectly aligned with the principle of ‘start with what you do now‘.

Planned future enhancements to the platform include the ability to display policies and flow efficiency on the dashboard, as well as the option to set up alerts for infringements of WIP limits. This will further embed Kanban practices and empower organisations to optimise their operations.

In essence, the experiment demonstrated that by strategically collecting and analyzing existing data from disparate legacy systems, organisations can uncover the true reality of their workflows, identify hidden inefficiencies, and make data-driven decisions. They can then leverage such information to expedite the evolutionary development of their Kanban system to achieve significant workflow improvements in a shorter timeframe.