Mengoptimalkan BPM dengan Menggabungkan Data Tekstual dan Log Kejadian
Dalam era transformasi digital yang semakin pesat, organisasi secara global semakin bergantung pada sistem informasi untuk mendukung dan mengelola proses bisnis mereka. Dengan meningkatnya penggunaan sistem seperti Enterprise Resource Planning (ERP) dan sistem manajemen tiket IT, data yang terekam, termasuk data tekstual dan log kejadian, berkembang secara eksponensial. Menurut laporan dari IDC, volume data digital global diperkirakan mencapai 175 zettabytes pada tahun 2025, yang menunjukkan peningkatan lebih dari 430% dibandingkan tahun 2018. Pertumbuhan data ini menghadirkan tantangan baru dalam pengelolaan kompleksitas proses bisnis (Revina & Aksu, 2023).
Artikel yang ditulis oleh Aleksandra Revina dan nal Aksu berjudul An approach for analyzing business process execution complexity based on textual data and event log dalam jurnal Information Systems edisi Februari 2023, menawarkan solusi inovatif untuk mengatasi tantangan ini. Pendekatan mereka yang menggabungkan data tekstual dan log kejadian dalam menganalisis kompleksitas eksekusi proses bisnis merupakan terobosan penting dalam bidang manajemen proses bisnis. Pendekatan ini tidak hanya relevan bagi praktisi BPM tetapi juga untuk peneliti yang tertarik memahami interaksi antara berbagai jenis data dalam eksekusi proses.
Salah satu alasan mengapa pendekatan ini sangat penting adalah karena data tekstual sering kali diabaikan dalam analisis proses bisnis tradisional, padahal menurut sebuah studi yang diterbitkan oleh IBM, 80% data yang ada di perusahaan adalah data tidak terstruktur, seperti email, catatan suara, dan dokumen teks. Dengan menggabungkan data ini dengan log kejadian, organisasi dapat memperoleh pemahaman yang lebih komprehensif tentang dinamika dan tantangan dalam eksekusi proses bisnis mereka. Revina dan Aksu menunjukkan bagaimana kompleksitas yang terukur dari data tekstual dan log kejadian dapat dikorelasikan untuk mengidentifikasi area yang membutuhkan perbaikan. Melalui studi kasus di sebuah institusi akademis, mereka berhasil menunjukkan bahwa pendekatan ini dapat mengurangi kompleksitas dan meningkatkan efisiensi hingga 15%. Dengan inovasi ini, para peneliti dan praktisi memiliki peluang untuk mengembangkan strategi BPM yang lebih adaptif dan proaktif, menghadapi tantangan dunia bisnis yang semakin dinamis dan kompleks.
***
Pendekatan yang ditawarkan oleh Revina dan Aksu ini memiliki implikasi signifikan dalam cara organisasi memahami dan mengelola kompleksitas proses bisnis mereka. Salah satu keunggulan utama dari pendekatan ini adalah kemampuan untuk menggabungkan dua jenis data yang sering kali dianggap terpisah, yaitu data tekstual dan log kejadian. Data tekstual, seperti deskripsi proses bisnis, dokumen, dan komunikasi antar tim, merupakan elemen kunci yang memberikan konteks dan pemahaman mendalam tentang jalannya proses. Sementara itu, log kejadian memberikan gambaran yang lebih kuantitatif tentang urutan dan durasi aktivitas dalam proses bisnis.
Dalam studi kasus yang disajikan oleh Revina dan Aksu, pendekatan ini diterapkan pada proses manajemen tiket di sebuah departemen IT akademis di Belanda. Mereka menemukan bahwa kompleksitas eksekusi proses dapat diturunkan hingga 15% melalui identifikasi dan mitigasi masalah yang dihasilkan dari analisis gabungan data tekstual dan log kejadian (Revina & Aksu, 2023). Misalnya, dengan menggunakan fitur linguistik seperti kata sifat dan kata kerja, tim IT dapat memprediksi tingkat kompleksitas sebuah tiket berdasarkan deskripsi masalah yang diajukan oleh pengguna. Selain itu, dengan memanfaatkan log kejadian, mereka dapat mengidentifikasi pola-pola tertentu yang berpotensi menyebabkan bottleneck dalam proses penyelesaian tiket.
Temuan ini didukung oleh data dari studi lain yang menunjukkan bahwa 73% organisasi yang menggunakan pendekatan berbasis data gabungan melaporkan peningkatan efisiensi operasional mereka (Gartner, 2022). Hal ini menyoroti pentingnya integrasi data tidak terstruktur dengan data terstruktur dalam mencapai keunggulan operasional. Selain itu, penggunaan machine learning untuk memprediksi kompleksitas berdasarkan data tekstual terbukti lebih efektif dibandingkan metode konvensional. Misalnya, dalam prediksi tingkat kompleksitas berbasis teks, akurasi model yang dibangun oleh Revina dan Aksu mencapai 85%, lebih tinggi dibandingkan dengan pendekatan tradisional yang hanya mencapai akurasi sekitar 70%.
Pendekatan ini juga membuka peluang baru dalam pengembangan alat dan teknik manajemen proses bisnis yang lebih canggih. Dengan adanya keterhubungan antara kompleksitas proses yang diukur dari data tekstual dan log kejadian, organisasi dapat mengimplementasikan solusi yang lebih tepat sasaran dalam mengurangi kompleksitas proses. Sebagai contoh, sistem manajemen tiket IT dapat diprogram untuk secara otomatis memberikan peringatan kepada manajer ketika tiket yang masuk menunjukkan potensi kompleksitas tinggi, berdasarkan analisis teks dan pola log kejadian. Hal ini memungkinkan tindakan preventif yang lebih cepat, sehingga waktu penyelesaian masalah dapat dipersingkat hingga 20% dalam beberapa kasus.
Secara keseluruhan, pendekatan Revina dan Aksu tidak hanya memberikan pandangan baru dalam analisis kompleksitas proses, tetapi juga membuka jalan bagi praktik manajemen proses bisnis yang lebih proaktif dan berbasis data. Mereka menegaskan bahwa dengan pemanfaatan data yang lebih optimal, organisasi dapat mencapai efisiensi yang lebih tinggi dan responsivitas yang lebih baik dalam menghadapi perubahan dan tantangan yang muncul di lingkungan bisnis modern.
***
