Process mining met AI: uw ERP weet al waar u geld verliest

Door Julien Theys
Vraag een operationeel team om zijn order-to-cash-proces te tekenen en u krijgt vijf vakjes: order ontvangen, bevestigd, verzonden, gefactureerd, betaald. Met nette pijlen ertussen.
Volg nu één echte order. Die wacht twee dagen op een kredietblokkering, voor een klant die al jaren stipt betaalt. Iemand mailt de klant over een ontbrekend leveringsdetail. De leverdatum schuift twee keer op. De vrachtwagen vertrekt halfleeg, en de factuur vertrekt twee weken na de goederen.
Niemand ziet die hele reis, omdat niemand ze van begin tot eind volgt. Uw ERP wel. Dat registreert al jaren elke stap, met een tijdstempel. Process mining met AI leest dat spoor, toont hoe uw processen echt verlopen en zet een bedrag op elke omweg. Het geeft AI-agents ook wat ze nodig hebben om die omwegen betrouwbaar recht te zetten.
Waarom dit operationeel verantwoordelijken aanbelangt
De meeste bedrijven staan onder druk om 'iets met AI te doen' in hun operaties. Veel pilots lopen vast om dezelfde reden: niemand kan zeggen waar de waarde zit, en de AI heeft geen idee wat normaal is. In onze ervaring ontbreekt het die pilots aan een helder beeld van het proces dat ze moeten verbeteren.
Intussen zitten de kosten van procesfrictie gewoon in het zicht. Geblokkeerde en onvolledige orders, manuele ingrepen, late leveringen, spoedtransport, overstock en late facturen lijken elk klein. Over duizenden orders wegen ze op serviceniveau, werkkapitaal en marge.
Wat process mining doet, in gewone woorden
Elke handeling in een ERP laat een spoor na: over welke order het gaat, wat er gebeurde en wanneer. Process mining verzamelt die eventlogs en reconstrueert het echte verloop van elk dossier. De IEEE Task Force on Process Mining vat het idee samen in haar Process Mining Manifesto: kennis halen uit de eventlogs die informatiesystemen al bijhouden, om processen te ontdekken, op te volgen en te verbeteren.
Binnen enkele weken krijgt u wat geen enkele workshop kan bieden:
De echte proceskaart, met elke variant en lus, naast die uit uw procedures.
Waar de tijd naartoe gaat: hoe lang elke stap en elke wachttijd echt duurt, per site, klant of product.
Waar mensen manueel compenseren: opnieuw ingevoerde orders, gewijzigde data, handmatig vrijgegeven blokkeringen.
De eerste kaart is meestal ontnuchterend. Teams noemen het het spaghettidiagram, en het is de nuttigste slide van de vergadering, want elke draad is een echt dossier.
Eén order, van begin tot eind gevolgd
Hier is een fictieve order, opgebouwd uit patronen die steeds weer opduiken:
Dag 0: de order komt binnen per e-mail en wordt manueel ingevoerd.
Dag 1: een kredietblokkering houdt hem tegen. Een collega geeft hem op dag 3 vrij, voor een klant met een smetteloos betalingsverleden.
Dag 4: er ontbreekt een leveringsdetail. Twee mails later is de order volledig.
Dag 5 tot 9: de bevestigde leverdatum verandert twee keer.
Dag 12: de goederen vertrekken in een halfvolle vrachtwagen.
Dag 26: de factuur vertrekt, twee weken na verzending, omdat een factuurblokkering onopgemerkt bleef.
Op zich is dit een anekdote. Process mining vertelt u hoeveel orders hetzelfde pad volgen, welke klanten, producten of fabrieken ze gemeen hebben, en wat de vertraging kost in dagen cash en uren werk. Dat is het verschil tussen een klacht en een businesscase.
Wat AI toevoegt aan process mining
Process mining toont wat er gebeurd is. AI bouwt daarop verder, op drie manieren.
Verklaren. Machine learning vindt welke combinaties van klant, product, site of gebruiker de omwegen veroorzaken, over duizenden dossiers tegelijk.
Voorspellen. Modellen signaleren welke openstaande orders waarschijnlijk geblokkeerd, te laat of onvolledig raken voor het zover is, zoals we doorlooptijden voorspellen voor de voorraad van een farmaceutisch bedrijf.
Handelen. AI-agents behandelen de uitzonderingen. Ze stellen de correctie voor, zoals een blokkering opheffen, stamgegevens corrigeren of een andere vervoerder boeken, en schrijven die terug in het ERP.
Die laatste stap vraagt discipline. In de opzet die wij verkiezen, keurt een mens eerst elke actie van een agent goed. Zodra een agent bewezen betrouwbaar is voor een bepaald type dossier, handelt hij die dossiers zelfstandig af, en elke beslissing blijft gelogd en controleerbaar. Een centrale orchestrator verdeelt het werk over kleine agents die elk één afgebakende taak uitvoeren, wat de kosten laag en het gedrag voorspelbaar houdt.
Procescontext maakt van een AI-agent een betrouwbare collega in plaats van een handige assistent. Zonder die context kan de agent normaal niet van abnormaal onderscheiden.
Op grote schaal loont dat. Binnen de Artefact-groep maakte een controletoren voor openstaande orders, op deze manier gebouwd, 30 miljoen dollar werkkapitaal vrij bij een wereldwijde producent. Op onze pagina over operaties leest u hoe we de aanpak toepassen en wat die al opleverde.
Waarom vertrekken vanuit procesdata, en niet vanuit een use case
Eerst de waarde. De eventlog zet een bedrag op elk probleem nog voor er iets gebouwd wordt, zodat prioriteiten op feiten steunen in plaats van op meningen.
Agents krijgen vangrails. Een agent die het normale pad kent, ziet wat ervan afwijkt en kan uitleggen waarom.
U begint met het ERP dat u hebt. De aanpak werkt op SAP ECC en S/4HANA, Oracle, Microsoft Dynamics en Infor. Bedrijven op oudere systemen hoeven niet te wachten op een migratie, en de processtandaarden die ze nu vastleggen maken die migratie veiliger.
Drie vragen voor uw volgende AI-project in de operaties
Zien we hoe dit proces vandaag verloopt, dossier per dossier, en niet alleen hoe het ontworpen is?
Weten we wat elke afwijking kost, in dagen, euro's of manuele ingrepen?
Als een AI-agent ingrijpt, waarmee vergelijkt hij dan om te weten dat er iets misloopt, en wie keurt zijn acties goed tot hij vertrouwen verdiend heeft?
Is het eerlijke antwoord op een van die vragen 'niet echt', begin dan bij de procesdata.
Hoe begint u eraan
Meestal starten we met één proces, zoals order-to-cash of procure-to-pay. In enkele weken koppelen we met uw ERP, brengen we in kaart hoe het proces echt verloopt en schatten we de waarde van elke verbetering. U krijgt een geprioriteerde lijst met kansen en een helder beeld van waar AI-agents routinewerk kunnen overnemen.
Plan een gesprek en ontdek wat uw eigen data laten zien. Uw ERP houdt al jaren de score bij: het loont om die te lezen.