How to Marry Process Management and AI

Generative AI

လုပ်ငန်းစဉ်စီမံခန့်ခွဲမှု နှင့် ဉာဏ်ရည်တု (AI) တို့ကို ဘယ်လိုပေါင်းစပ်အသုံးပြုကြမလဲ  

လူနှင့်နည်းပညာ ပေါင်းစပ်ညီညွတ်စွာ လက်တွဲလုပ်ဆောင်ခြင်း

by Thomas H. Davenport and Thomas C. Redman

From the Magazine (January–February 2025)

Jun Cen

အကျဉ်းချုပ်-

၁၉၉၀ ပြည့်လွန်နှစ်များမှာ စီးပွားရေးလောကကို မုန်တိုင်းလိုလှုပ်ခတ်ခဲ့တဲ့ Process Management (လုပ်ငန်းစဉ်စီမံခန့်ခွဲမှု)ဟာ ခေတ်ကုန်သလိုဖြစ်ခဲ့ရာကနေ ယခုအခါ AI ရဲ့ ကျေးဇူးကြောင့် ပြန်လည်ခေတ်စား လာပြီဖြစ်ပါတယ်။ AI နဲ့ Process Management တို့ဟာ တစ်ခုကိုတစ်ခု အပြန်အလှန် အားဖြည့်ပေးနေကြပါတယ် – ဉာဏ်ရည်တု (AI) က လုပ်ငန်းတွေကို ပိုမိုကောင်းမွန်တဲ့ လုပ်ငန်းစဉ်များအား သိသာထင်ရှားစွာ ချဲ့ထွင်နိုင်ဖို့ ကူညီပေးနိုင်သလို ကောင်းမွန်စွာစီမံထားတဲ့ လုပ်ငန်းစဉ်များက AI ကိုလေ့ကျင့်ရန် လိုအပ်တဲ့ အရည်အသွေးမြင့် အချက်အလက်များကို ပိုမိုလွယ်ကူစွာ ရရှိစေပါတယ်။ ၎င်းတို့ကို ပေါင်းစပ်ခြင်းဖြင့် ထုတ်လုပ်နိုင်စွမ်း သိသိသာသာ တိုးတက်လာနိုင် သော်လည်း၊ ထိုသို့ပြောင်းလဲရန် Change Management (ပြောင်းလဲမှုစီမံခန့်ခွဲခြင်း) အတွက် အားစိုက်ထုတ်မှုများစွာ လိုအပ်ပါတယ်။ ဤဆောင်းပါးတွင် စာရေးသူများက လူသား၊ အချက်အလက်၊ ဆန်းစစ်လေ့လာမှုနဲ့ နည်းပညာ (အထူးသဖြင့် AI) တို့ကို ပေါင်းစပ်ကာ လုပ်ငန်းစဉ်များကို အဆင့်မြှင့်တင်ပြီး စီးပွားရေးစွမ်းဆောင်ရည် တိုးတက်လာစေရန် လုပ်ဆောင်နိုင်တဲ့ အဆင့် (၇) ဆင့်ကို ရှင်းလင်းဖော်ပြထား ပါတယ်။

 

Mars Wrigley ရဲ့ AI အသုံးချမှု အောင်မြင်ပုံ

Mars Wrigley ဟာ သူတို့ရဲ့ ထောက်ပံ့ရေးကွင်းဆက် (supply chain) ကို ဒစ်ဂျစ်တယ်စနစ်နဲ့ ပြောင်းလဲဖို့ ဆုံးဖြတ်ခဲ့တဲ့အခါ ဉာဏ်ရည်တု (AI) နဲ့ ခွဲခြမ်းစိတ်ဖြာမှုဆိုင်ရာ နည်းပညာတွေမှာ အများကြီး ရင်းနှီးမြှုပ်နှံ ခဲ့ပါတယ်။ ပထမဆုံးအနေနဲ့၊ သူတို့ရဲ့ ထုတ်လုပ်မှုလိုင်း (production line) ရဲ့ ဒစ်ဂျစ်တယ်ပုံတူ (digital twin) တစ်ခုကို တည်ဆောက်ခဲ့ပါတယ်။ ဒါဟာ သူတို့ရဲ့ စက်ရုံလည်ပတ်ပုံကို အချိန်နဲ့တပြေးညီ ပုံဖော်ပေးနိုင်တဲ့ virtual ပုံစံတူတစ်ခုပေါ့။ ဒီပုံစံတူကနေ ရရှိတဲ့ အချက်အလက်တွေကို machine learning   မော်ဒယ်ကိုအသုံးပြုပြီး ထုတ်လုပ်မှုပမာဏကို တိကျစွာခန့်မှန်းတာ၊ အလွန်အကျွံထုတ်လုပ်မှုနဲ့ လေလွင့်မှုတွေကို လျှော့ချတာတွေ လုပ်ဆောင်ခဲ့ပါတယ်။ နောက်ပြီး၊ "ဆုံးဖြတ်ချက်ဆိုင်ရာ ဉာဏ်ရည်" (decision intelligence) ဝန်ဆောင်မှုပေးတဲ့ Aera Technology ကုမ္ပဏီနဲ့ ပူးပေါင်းခဲ့ပါတယ်။ Aera Technology က အချက်အလက်တွေကို ပုံဖော်ပေးတာ၊ ကြိုတင်ကာကွယ်ထိန်းသိမ်းမှု (preventive maintenance) နဲ့ ပတ်သက်တဲ့ အကြံပြုချက်တွေ ပေးတာ၊ ပြီးတော့ လုပ်ငန်းလည်ပတ်မှုဆိုင်ရာ ဆုံးဖြတ်ချက်အချို့ကို အလိုအလျောက် လုပ်ဆောင်ပေးတာတွေ လုပ်ဆောင်ခဲ့ ပါတယ်။ ဒါ့အပြင် Kinaxis ဆိုတဲ့ ဝန်ဆောင်မှုပေးသူကိုလည်း ငှားရမ်းခဲ့ပါတယ်။ Kinaxis ရဲ့ AI ဆော့ဖ်ဝဲလ်က ဝန်ထမ်းတွေကို ရောင်းအား/ဝယ်အားနဲ့ပတ်သက်၍ ဘယ်လိုချိန်ညှိမလဲ ဆိုတဲ့ အကြံပြုချက်တွေ ပေးခဲ့ပါတယ်။ အလိုအလျောက်ငွေတောင်းခံလွှာ စနစ်တွေကို ဆောင်ရွက်ပေးနိုင်ခဲ့ပြီး၊ ကုန်တင်ယာဉ်အသုံးပြုမှုစွမ်းရည်ကို ၁၅% အထိ တိုးမြှင့်နိုင်ခဲ့ပါတယ်။ ဒီလို တိုးတက်မှုတွေအားလုံးရဲ့ ရလဒ်အနေနဲ့ Mars Wrigley ဟာ မှာယူမှုတွေကို ပိုမိုမြန်ဆန်စွာ ဖြည့်ဆည်းပေးနိုင်ခဲ့ပြီး ဖောက်သည်ဝန်ဆောင်မှု အဆင့်သတ်မှတ်ချက်တွေလည်း ရာခိုင်နှုန်း အနည်းငယ် တိုးတက်ခဲ့ပါတယ်။

မကြာသေးခင်က Mars Wrigley ဟာ ရောင်းအားကို ခန့်မှန်းပေးနိုင်တဲ့ machine learning မော်ဒယ်တွေကို တည်ဆောက်နေပါပြီ။ ဒီမော်ဒယ်တွေက စက်ရုံမန်နေဂျာတွေကို ဘယ်လောက်ထုတ်လုပ် ရမယ်ဆိုတာ ဆုံးဖြတ်ချက်တွေချရာမှာ အများကြီး အထောက်အကူ ဖြစ်စေမှာပါ။ ဒါ့အပြင် ထုတ်လုပ်မှုလိုင်းမှာ smart robots နဲ့ ဉာဏ်ရည်တု (AI) စနစ်အသစ်တွေကို ထည့်သွင်းအသုံးပြုဖို့လည်း စီစဉ်နေပါတယ်။ ဒါတွေက လုပ်ငန်းဆောင်ရွက်မှုကို ပိုမိုထိရောက်စေပြီး ရေရှည်တည်တံ့မှု (sustainability) ကိုလည်း ပိုကောင်းလာစေမှာပါ။ ချုပ်ပြောရမယ်ဆိုရင် Mars Wrigley ဟာ သူတို့ရဲ့ လုပ်ငန်းဆောင်တာ နယ်ပယ်အသီးသီးမှာ လုပ်ငန်းစဉ်စီမံခန့်ခွဲမှုကို အသစ်တစ်ဖန် ပြန်လည်ပုံဖော်ဖို့အတွက် ဉာဏ်ရည်တု (AI) ကို ကျယ်ကျယ်ပြန့်ပြန့် အသုံးပြုနေပါတယ်။

လုပ်ငန်းစဉ်စီမံခန့်ခွဲမှုဆိုတာ ရှုပ်ထွေးတဲ့ အယူအဆတစ်ခု မဟုတ်ပါဘူး။ သူ့ရဲ့ ရည်ရွယ်ချက်ကတော့ သတ်မှတ်ထားတဲ့ ရလဒ်တစ်ခုကို ဖန်တီးဖို့အတွက် လုပ်ငန်းဆောင်တာ အဆင့်ဆင့် ဘယ်လို ချိတ်ဆက်နေလဲ ဆိုတာကို နားလည်ပြီး၊ အဲဒီနောက်မှာ ပိုမိုကောင်းမွန်အောင် ပြုပြင်ပြောင်းလဲဖို့ပဲ ဖြစ်ပါတယ်။ ဒီအယူအဆကို အဆင့်များစွာမှာ အသုံးချနိုင်ပါတယ်။ ဥပမာ - တစ်ဦးချင်း ဒါမှမဟုတ် အဖွဲ့ငယ်လေးတွေ လုပ်ဆောင်တဲ့ အလုပ်တွေမှာ သုံးနိုင်ပါတယ်။ ကိုယ်ပိုင်အလုပ်တွေကို ပိုပြီး စနစ်တကျ၊ ထိရောက်အောင် စီမံခန့်ခွဲတာမျိုးပေါ့။ ဌာနတစ်ခုအတွင်းက အဓိက လုပ်ဆောင်ချက်တွေမှာလည်း သုံးနိုင်ပါတယ်။ ဌာနတွင်း အလုပ်တွေ ပိုပြီး ချောမွေ့အောင်၊ လိုအပ်တဲ့ ရလဒ်ကို အချိန်မီ ရရှိအောင် လုပ်တာမျိုးပေါ့။ ဒါမှမဟုတ် တစ်ဖွဲ့လုံး၊ တစ်ဆင့်လုံး၊ ကုမ္ပဏီတစ်ခုလုံးကို ကျော်လွန်ပြီး ချိတ်ဆက်နေတဲ့ လုပ်ငန်းစဉ်ကြီးတွေ (end-to-end processes) မှာလည်း အသုံးချနိုင်ပါတယ်။ ဥပမာ - ကုန်ပစ္စည်းတစ်ခု ထုတ်လုပ်တာကနေ စပြီး ဖောက်သည်လက်ထဲ ရောက်တဲ့အထိ အဆင့်တိုင်းကို စီမံခန့်ခွဲတာမျိုး၊ ဒါမှမဟုတ် လုပ်ငန်းတစ်ခုကနေ နောက်တစ်ခုကို ဆက်သွယ်တဲ့ လုပ်ငန်းစဉ်ကြီးတွေကို ပိုမိုကောင်းမွန်အောင် လုပ်ဆောင်တာမျိုး ဖြစ်ပါတယ်။ အနှစ်ချုပ်ရရင် လုပ်ငန်းစဉ်စီမံခန့်ခွဲမှုဟာ ဘယ်အလုပ်ကိုပဲ လုပ်လုပ်၊ ဘယ်သူပဲ လုပ်လုပ်၊ ဘယ်လောက်ကြီးတဲ့ လုပ်ငန်းပဲ ဖြစ်ဖြစ်၊ "ဘယ်လိုလုပ်ရင် ပိုကောင်းမလဲ" ဆိုတဲ့ မေးခွန်းကို ဖြေဖို့ ကူညီပေးတဲ့ စနစ်တကျ နည်းလမ်းတစ်ခုပါပဲ။

လုပ်ငန်းစဉ်တွေကို ပိုမိုကောင်းမွန်စွာ စီမံခန့်ခွဲနိုင်တာက ထုတ်လုပ်နိုင်စွမ်းကို မြင့်တက်စေပါတယ်။ ဘာကြောင့်လဲဆိုတော့ အမှားဖြစ်နိုင်ခြေတွေ၊ လုပ်ငန်းလည်ပတ်ချိန်တွေနဲ့ အကျိုးရလဒ်နည်းတဲ့ အလုပ်တွေကို လျှော့ချပေးနိုင်လို့ပါပဲ။ ဒါပေမယ့် လုပ်ငန်းစဉ်စီမံခန့်ခွဲမှုကို လုပ်ငန်းကြီးတွေမှာ အကြီးအကျယ် အကောင် အထည်ဖော်ဖို့က ခက်ခဲပါတယ်။ ဉာဏ်ရည်တု (AI) ရဲ့ အကူအညီရနေရင်တောင်မှ မလွယ်ပါဘူး။ ဉာဏ်ရည်တု (AI) ဟာ လုပ်ငန်းတစ်ခုလုံးကို အစအဆုံး တိုးတက်အောင်လုပ်ပေးတာမျိုး မဟုတ်ဘဲ၊ သတ်သတ်မှတ်မှတ် လုပ်ငန်းခွဲတွေ ဒါမှမဟုတ် သေးငယ်တဲ့ လုပ်ငန်းဆောင်တာတွေကိုပဲ ကူညီပေးနိုင်ပါတယ်။ ဒါကြောင့် လုပ်ငန်းတစ်ခုလုံးကို တိုးတက်အောင်လုပ်ဖို့ဆိုရင် ဉာဏ်ရည်တု (AI) ကို အသုံးပြုတဲ့ နည်းလမ်းပေါင်းများစွာကို ပေါင်းစပ်အသုံးချရပါတယ်။ လုပ်ငန်းစဉ်စီမံခန့်ခွဲမှုဟာ ပြောင်းလဲမှုစီမံခန့်ခွဲမှု (change management) အများကြီး လိုအပ်ပါတယ်။ သက်ဆိုင်သူတွေကို စည်းရုံးရတာ၊ ဝန်ထမ်းတွေကို ပြန်လည်လေ့ကျင့်ပေးရတာနဲ့ ရွေ့လျားနေတဲ့ အစိတ်အပိုင်းများစွာကို ပေါင်းစည်းရတာတွေ ပါဝင်ပါတယ်။ ဒါ့အပြင် လုပ်ငန်းစဉ်စီမံခန့်ခွဲမှုဟာ လုပ်ငန်းထိရောက်မှုကို မြှင့်တင်ဖို့ ဌာနအချင်းချင်း ဖြတ်ကျော်လုပ်ဆောင်ရတာဖြစ်လို့ ရိုးရာအစဉ်အလာ အဆင့်ဆင့် စီမံခန့်ခွဲမှုပုံစံ (traditional hierarchical management) တွေနဲ့ မကြာခဏဆိုသလို ဆန့်ကျင်ဘက်ဖြစ်နေတတ်ပါတယ်။ ၁၉၉၀ ပြည့်လွန်နှစ်တွေ အစောပိုင်းတုန်းက "လုပ်ငန်းစဉ် ပြန်လည်ပြုပြင်ပြောင်းလဲခြင်း" (process reengineering) ဆိုတာ ခေတ်စားခဲ့ပေမယ့်၊ ဒီခေတ်ရေစီးကြောင်းက ကျရှုံးခဲ့တဲ့ ပရောဂျက်တွေ အများကြီးနဲ့ အဓိပ္ပါယ်မဲ့တဲ့ ဝန်ထမ်းလျှော့ချမှုတွေ ကျန်ခဲ့တာကြောင့် သူ့ရဲ့ ဂုဏ်သတင်းလည်း ထိခိုက်ခဲ့ပါတယ်။ ဒါကြောင့် လုပ်ငန်းစဉ်စီမံခန့်ခွဲမှုဟာ အာရုံစိုက်မှုကနေ ပျောက်ကွယ်သွားတာလည်း မဆန်းပါဘူး။

တစ်ချိန်တည်းမှာပဲ ဉာဏ်ရည်တု (AI) နဲ့ အခြားသော သတင်းအချက်အလက် နည်းပညာတွေဟာလည်း ထုတ်လုပ်နိုင်စွမ်း တိုးတက်မှုတွေ ဖန်တီးရာမှာ ကုမ္ပဏီတွေကို စိတ်ပျက်အားငယ်စေခဲ့ဖူးပါတယ်။ ၁၉၈၇ ခုနှစ်က Robert Solow ရဲ့ မှတ်ချက်ဖြစ်တဲ့ "ကွန်ပျူတာခေတ်ကို နေရာတိုင်းမှာ တွေ့နိုင်ပေမယ့်၊ ထုတ်လုပ်နိုင်စွမ်း စာရင်းဇယားတွေကိုတော့ တွေ့ရခဲတယ်" ဆိုတာက ဝမ်းနည်းစရာကောင်းလောက်အောင် ယနေ့တိုင် မှန်ကန်နေဆဲပါပဲ။ လုပ်ငန်းအဖွဲ့အစည်းတွေဟာ ဒေတာတွေနဲ့ နည်းပညာတွေအတွက် ထရီလီယံပေါင်းများစွာ ရင်းနှီးမြှုပ်နှံခဲ့ကြပါတယ်။ ဒါတွေက ထုတ်လုပ်နိုင်စွမ်းကို ခွဲခြမ်းစိတ်ဖြာဖို့နဲ့ မြှင့်တင်ဖို့ ရည်ရွယ်ခဲ့တာဖြစ်ပေမယ့် သိပ်ပြီး ထူးခြားတဲ့ ရလဒ်တွေတော့ မပြသနိုင်ခဲ့ကြပါဘူး။ အများစုသော လုပ်ငန်းအဖွဲ့အစည်းတွေမှာ IT ပရောဂျက်တွေအတွက် ထုတ်လုပ်နိုင်စွမ်း တိုင်းတာမှုတွေအပြင် ရင်းနှီးမြှုပ်နှံမှု အကျိုးအမြတ် (ROI) ကိန်းဂဏန်းတွေတောင် မရှိကြပါဘူး။ ဒါဟာ နည်းပညာအသစ်တွေရဲ့ အလားအလာတွေ ကြီးမားပေမယ့် လက်တွေ့မှာ ထင်သလောက် အကျိုးမပြုနိုင်သေးဘူးဆိုတဲ့ အခြေအနေကို ဖော်ပြနေတာပဲ ဖြစ်ပါတယ်။

ဒီအခြေအနေကို ပြောင်းပြန်လှန်နိုင်ဖို့အတွက် လုပ်ငန်းစဉ်ဆိုင်ရာ တွေးခေါ်မှုအသစ်တစ်ခုက ကူညီပေးနိုင်ပါတယ်။

တကယ်တော့ လုပ်ငန်းစဉ်တွေနဲ့ ပတ်သက်တဲ့ အတွေးအမြင်သစ်တွေဟာ ရလဒ်ကောင်းတွေ ဖော်ဆောင်ခဲ့တဲ့ သမိုင်းကြောင်း ကြွယ်ဝပါတယ်။ ဥပမာ - သိပ္ပံနည်းကျ စီမံခန့်ခွဲမှု (scientific management)၊ စာရင်းအင်းအရည်အသွေး ထိန်းချုပ်မှု (statistical quality control)၊ စုစုပေါင်းအရည်အသွေး စီမံခန့်ခွဲမှု (total quality management)၊ Six Sigma၊ agile နဲ့ lean နည်းစနစ်တွေလိုပေါ့။ လုပ်ငန်းစဉ်စီမံခန့်ခွဲမှုနဲ့ ပတ်သက်တဲ့ အတွေးအမြင်သစ်တွေ အဆက်မပြတ် ပေါ်ထွက်နေတယ်ဆိုတာက သူ့ရဲ့ အရေးပါမှုကို သက်သေပြနေတာပါပဲ။ လုပ်ငန်းအဖွဲ့အစည်းတွေမှာ လုပ်ငန်းဆောင်ရွက်မှု စွမ်းဆောင်ရည်ကို တိုးတက်အောင် လုပ်ဆောင်ဖို့ အမြဲတမ်း လိုအပ်နေပြီး၊ လုပ်ငန်းစဉ်တွေကို စီမံခန့်ခွဲတာဟာ ဒါကို လုပ်ဆောင်ဖို့ ယုံကြည်စိတ်ချရတဲ့ နည်းလမ်းတစ်ခုပါပဲ။

ဒီဆောင်းပါးကို ရေးသားသူတွေဖြစ်တဲ့ ကျွန်တော်တို့နှစ်ဦးစလုံးဟာ လုပ်ငန်းစဉ်စီမံခန့်ခွဲမှုရဲ့ ပုံစံအားလုံးကို ထောက်ခံသူတွေပါ။ ကျွန်တော်တို့ထဲက တစ်ဦးဖြစ်တဲ့ Tom Davenport ဟာ ၁၉၉၀ ပြည့်လွန်နှစ်တွေ အစောပိုင်းက လုပ်ငန်းစဉ် ပြန်လည်ပြုပြင်ပြောင်းလဲခြင်းလှုပ်ရှားမှု (process-reengineering movement) ကို စတင်ခဲ့သူပါ။ အခြားတစ်ဦးဖြစ်တဲ့ Tom Redman ကတော့ သူ့ရဲ့ ဒေတာဆိုင်ရာ အကြံပေးဝန်ဆောင်မှုတွေမှာ လုပ်ငန်းစဉ်ဆိုင်ရာ တွေးခေါ်မှုကို ကျယ်ကျယ်ပြန့်ပြန့် အသုံးချခဲ့ပါတယ်။ ရာနဲ့ချီတဲ့ ခေါင်းဆောင်တွေနဲ့ ကျယ်ကျယ်ပြန့်ပြန့် ဆွေးနွေးပြီးတဲ့နောက်မှာ လူတွေ၊ ဒေတာတွေ၊ ခွဲခြမ်းစိတ်ဖြာမှုတွေနဲ့ နည်းပညာတွေ (အထူးသဖြင့် ဉာဏ်ရည်တု AI) တို့ ဘယ်လိုပေါင်းစပ်ပြီး လုပ်ငန်းစွမ်းဆောင်ရည်ကို မြှင့်တင်နိုင်မလဲဆိုတာကို ဖော်ပြတဲ့ လုပ်ငန်းစဉ်ဆိုင်ရာ အတွေးအခေါ်အသစ်တစ်ခုကို ကျွန်တော်တို့ ရှာဖွေတွေ့ရှိခဲ့ပါတယ်။ ဒီဆောင်းပါးမှာတော့ အဲဒီ အတွေးအခေါ်အသစ်ကို ဖော်ပြသွားမှာဖြစ်ပြီး၊ လုပ်ငန်း အကြီးအကဲတွေအနေနဲ့ ဒါကို ဘယ်လို စတင်အသုံးချရမလဲဆိုတဲ့ ပထမဆုံး အဆင့်တွေကို အသေးစိတ် တင်ပြသွားမှာပဲ ဖြစ်ပါတယ်။

 

နည်းပညာနှင့် လုပ်ငန်းစဉ်စီမံခန့်ခွဲမှုတို့၏ အပြန်အလှန် အားဖြည့်မှု

နည်းပညာပံ့ပိုးမှု အားနည်းတာ၊ အထူးသဖြင့် lean နဲ့ Six Sigma လိုမျိုး တဖြည်းဖြည်းချင်း တိုးတက်အောင် လုပ်ဆောင်တဲ့ လုပ်ငန်းစဉ် မြှင့်တင်ရေး နည်းလမ်းတွေမှာ နည်းပညာ အားနည်းခဲ့တာကြောင့် လုပ်ငန်းစဉ်ဆိုင်ရာ တွေးခေါ်မှုတွေ ရေပန်းစားမှု လျော့ကျသွားခဲ့ပါတယ်။ ဒါပေမယ့် လွန်ခဲ့တဲ့ နှစ်အနည်းငယ်အတွင်းမှာ နည်းပညာအသစ်တွေ ပေါ်ပေါက်လာတာက လုပ်ငန်းအဖွဲ့အစည်းတွေအတွက် လုပ်ငန်းစဉ်စီမံခန့်ခွဲမှုကို ပြောင်းလဲဖို့ အခွင့်အလမ်းတွေကို ဖန်တီးပေးခဲ့ပါတယ်။ ဒါဟာ ကုမ္ပဏီတွေအနေနဲ့ လုပ်ငန်းစဉ်စီမံခန့်ခွဲမှုကို ပြန်လည်ကျယ်ကျယ်ပြန့်ပြန့် အသုံးပြုသင့်တယ်လို့ ကျွန်တော်တို့ ပြောရတဲ့ အဓိက အကြောင်းရင်းတစ်ခုပါပဲ။

လုပ်ငန်းစဉ်စီမံခန့်ခွဲမှုနဲ့ နည်းပညာတို့ဟာ တစ်ခုနဲ့တစ်ခု အပြန်အလှန် အားဖြည့်ပေးပါတယ်။ နည်းပညာအသစ်တွေက ကုမ္ပဏီတွေကို ပိုမိုကောင်းမွန်တဲ့ လုပ်ငန်းစဉ်တွေကို သိသိသာသာ ချဲ့ထွင်နိုင်အောင် ကူညီပေးပါတယ်။ ပြီးတော့ လုပ်ငန်းတစ်ခုက သတ်မှတ်ချက်တွေကောင်းမွန်ပြီး၊ ကောင်းမွန်စွာစီမံခန့်ခွဲထား တယ်ဆိုရင် ဉာဏ်ရည်တု (AI) algorithm အသစ်တစ်ခုကို အသုံးပြုပြီး အကျိုးကျေးဇူးတွေ ရယူဖို့က ပိုပြီး လွယ်ကူပါတယ်။ လုပ်ငန်းတစ်ခုလုံးကို အစအဆုံး ပေါင်းစပ်ထားတဲ့ လုပ်ငန်းစဉ်တွေကလည်း ဉာဏ်ရည်တု (AI) ကို လေ့ကျင့်ဖို့ လိုအပ်တဲ့ အရည်အသွေးမြင့် ဒေတာအများအပြားကို ရယူဖို့ ပိုပြီး လွယ်ကူစေပါတယ်။

         ကောင်းမွန်တဲ့ လုပ်ငန်းစဉ်စီမံခွဲမှုအတွက် ဌာနတွေအနေနဲ့ တူညီတဲ့ ဒေတာစံနှုန်းတွေကို လက်ခံပြီး လုပ်ငန်းတစ်ခုလုံးမှာ ဒေတာတွေကို လွတ်လွတ်လပ်လပ် မျှဝေဖို့ လိုအပ်ပါတယ်။ ဒါပေမဲ့ ဌာနအများစုက ဒီလိုလုပ်ဖို့ ဝန်လေးတတ်ကြပါတယ်။ ဘာကြောင့်လဲဆိုတော့ သူတို့ဟာ ကိုယ်ပိုင်ဌာနရဲ့ သီးခြားလိုအပ်ချက်တွေအတွက် ရည်ရွယ်ပြီး စနစ်တွေ တည်ဆောက်ထားကြလို့ပါပဲ။ လုပ်ငန်းတစ်ခုလုံးရဲ့ ထိရောက်မှုအတွက် ရည်ရွယ်တာမျိုး မဟုတ်ပါဘူး။ ဒါပေမဲ့ ဌာနတွေက သူတို့ရဲ့ ဒေတာတွေကို ညှိနှိုင်းမလုပ်ဆောင်တဲ့အခါ ပြဿနာတွေ ဖြစ်ပေါ်လာတတ်ပါတယ်။

ဥပမာအနေနဲ့၊ မှာယူထားတဲ့ ပစ္စည်းအမျိုးမျိုးကို စုစည်းရတဲ့ လုပ်ငန်းလည်ပတ်မှု (operations) ဌာနတစ်ခုကို စဉ်းစားကြည့်ပါ။ ဒီဌာနက ဝန်ထမ်းတွေဟာ အရောင်းဌာနကနေ မှာယူမှုတွေကို လက်ခံရရှိကြပါတယ်။ ဒါပေမဲ့ မကြာခင်မှာပဲ ဒေတာတွေမှာ လိုအပ်ချက်တွေ၊ မှားယွင်းမှုတွေ အများကြီး တွေ့လာရပါတယ်။ ဒါကြောင့် သူတို့ဟာ ဒေတာတွေကို ရှင်းလင်းဖို့ အတတ်နိုင်ဆုံး ကြိုးစားရပါတယ်။ သူတို့မှာ ဖြည့်ဆည်းရမယ့် စွမ်းဆောင်ရည် အညွှန်းကိန်း (KPIs) တွေ ရှိနေတာကိုး။ အရောင်းဌာနကိုတော့ အပြစ်တင်လို့မရပါဘူး။ သူတို့ပေးလိုက်တဲ့ ဒေတာတွေက မကောင်းဘူးဆိုတာကို သူတို့ မသိကြပါဘူး။ ဒါပေမဲ့ Operations ဌာနက လူတွေဟာ သူတို့ လေ့ကျင့်ထားမှု ဒါမှမဟုတ် ပံ့ပိုးမှုမရရှိခဲ့တဲ့အလုပ်တစ်ခုအတွက် အချိန်တွေအများကြီး ကုန်ဆုံးနေရပြီး မကြာခဏ ဆိုသလို ကြီးမားတဲ့ ဖိအားတွေအောက်မှာ လုပ်ဆောင်နေရပါတယ်။ ထင်ရှားတဲ့ ဖြေရှင်းနည်းကတော့ အရောင်းဌာနမှာ အမှားနည်းအောင် လုပ်ဆောင်ဖို့ပါပဲ။ ဒါပေမဲ့ Operations ဌာနက လူတွေကတော့ သူတို့ရဲ့ သီးခြားနယ်ပယ် (silo) ထဲမှာ ပိတ်မိနေတာကြောင့် အဲဒီအခွင့်အလမ်းကို မမြင်ကြပါဘူး။

လုပ်ငန်းစဉ်စီမံခန့်ခွဲမှုက ဒီလို သီးခြားနယ်ပယ်တွေကို ဖြိုဖျက်ပေးတာ ဒါမှမဟုတ် အနည်းဆုံး ပေါင်းကူးပေးတာ ဖြစ်ပါတယ်။ ဒါဟာ အမှားတွေနဲ့ သူတို့ကြောင့် ဖြစ်ပေါ်လာတဲ့ ထိရောက်မှုမရှိတာတွေကို ထင်ရှားပေါ်လွင်စေပြီး၊ တိုးတက်အောင် လုပ်ဆောင်ဖို့ လှုံ့ဆော်ပေးပါတယ်။ ပြီးတော့ မှားယွင်းမှုတွေရဲ့ အကြောင်းရင်းတွေကို စနစ်တကျ ဖယ်ရှားပစ်ဖို့ လိုအပ်တဲ့ ဖွဲ့စည်းပုံကိုလည်း ပံ့ပိုးပေးပါတယ်။

 

လုပ်ငန်းစဉ်စီမံခန့်ခွဲမှု ဘယ်ကစမလဲ?

လုပ်ငန်းစဉ်ဆိုင်ရာ အခြေခံအုတ်မြစ် ခိုင်မာမှုမရှိသေးတဲ့ အဖွဲ့အစည်းတွေအတွက် စတင်ဖို့ ခက်ခဲနိုင်ပါတယ်။ ဒီလိုအခြေအနေမျိုးမှာ အစပိုင်းမှာတော့ လုပ်ငန်းစွမ်းဆောင်ရည်အတွက် အရေးပါတဲ့ လုပ်ငန်းစဉ်တစ်ခု သို့မဟုတ် နှစ်ခုကို အာရုံစိုက်တာက အကောင်းဆုံးပါပဲ။ အဖွဲ့အစည်းက လုပ်ငန်းစဉ်ဆိုင်ရာ တွေးခေါ်မှုနဲ့ ပိုပြီး ရင်းနှီးလာတဲ့အခါ ကျန်တဲ့ လုပ်ငန်းစဉ်တွေကို ဆက်လက်ကိုင်တွယ်တာ ပိုကောင်းပါတယ်။ ကျွန်တော်တို့ သိတဲ့ ကုမ္ပဏီအများစုဟာ မှာယူမှုမှ ငွေသားရရှိခြင်းအထိ (Order-to-Cash - OTC) လုပ်ငန်းစဉ်တွေနဲ့ စတင်ကြပါတယ်။ ဒီလုပ်ငန်းစဉ်တွေဟာ သုံးစွဲသူက မှာယူမှုပြုလုပ်တာကနေ ငွေပေးချေမှု လက်ခံရရှိတဲ့အထိ အဆင့်အားလုံးကို လွှမ်းခြုံထားပါတယ်။ ကုမ္ပဏီအများစုရဲ့ စွမ်းဆောင်ရည်အပေါ် အရေးပါတဲ့ သက်ရောက်မှုရှိပြီး ပြန်လည်ပြုပြင်ပြောင်းလဲဖို့အတွက် ရေပန်းစားတဲ့ ပစ်မှတ်တစ်ခုလည်း ဖြစ်ပါတယ်။

ဥရောပကုမ္ပဏီတွေဟာ OTC နဲ့ အခြားသော ဌာနပေါင်းစုံ ပါဝင်တဲ့ လုပ်ငန်းစဉ်တွေကို နှစ်ပေါင်းများစွာ စီမံခန့်ခွဲခဲ့ကြပါတယ်။ Siemens ဟာ လုပ်ငန်းခွဲတွေ အများကြီးကို ဗဟိုချုပ်ကိုင်မှု လျှော့ချထားပေမယ့်၊ မှာယူမှုစီမံခန့်ခွဲမှု (order management) နဲ့ ဝယ်ယူမှုမှ ပေးချေမှုအထိ (purchase-to-pay) လိုမျိုး နယ်ပယ်တွေမှာ တူညီတဲ့ OTC လုပ်ငန်းခွဲတွေကို ဖန်တီးထားပါတယ်။ BMW ဟာ ကမ္ဘာတစ်ဝန်းမှာ အရင်က အများကြီး ကွဲပြားခဲ့တဲ့ သူတို့ရဲ့ ကမ္ဘာလုံးဆိုင်ရာ ထုတ်လုပ်မှု လုပ်ငန်းစဉ်အများစုကို စံနှုန်းသတ်မှတ်ခဲ့ပြီး၊ အခုဆိုရင် ပံ့ပိုးမှု လုပ်ငန်းစဉ်တွေကို အကောင်းဆုံးဖြစ်အောင် လုပ်ဆောင်နေပါတယ်။ စားသုံးကုန်ပစ္စည်း ကုမ္ပဏီဖြစ်တဲ့ Reckitt ဟာ ငွေတောင်းခံလွှာထုတ်ခြင်း (invoicing)၊ ကုန်ပစ္စည်းဝယ်ယူခြင်း (purchasing of supplies)၊ မှာယူမှုဖြည့်ဆည်းခြင်း (order fulfillment) အပါအဝင် OTC လုပ်ငန်းစဉ်တစ်ခုလုံးကို အသေးစိတ်ဆန်းစစ်ခြင်း (Process Mining) နဲ့ အလိုအလျောက်လုပ်ဆောင်တဲ့စနစ် (process automation) တွေ သုံးပြီး ပိုမိုချောမွေ့အောင် လုပ်ဆောင်နေပါတယ်။ ဒီကုမ္ပဏီတွေဟာ IT နည်းပညာနဲ့ လုပ်ငန်းစဉ်စီမံခန့်ခွဲမှုကို သူတို့ရဲ့ လုပ်ငန်းဆောင်ရွက်မှုရဲ့ အဓိက အစိတ်အပိုင်းတစ်ခုအဖြစ် ပြုလုပ်ထားကြပါတယ်။

 

Jun Cen

အခုတော့ မှာယူမှုမှ ငွေသားရရှိခြင်းအထိ (OTC) လုပ်ငန်းစဉ်ကို အသုံးပြုပြီး လုပ်ငန်းစဉ်စီမံခန့်ခွဲမှုမှာ ဉာဏ်ရည်တု (AI) ကို ဘယ်လို ထည့်သွင်းအသုံးပြုရမလဲဆိုတာကို ရှင်းပြသွားမှာဖြစ်ပြီး၊ ရှောင်လွှဲလို့မရတဲ့ အခက်အခဲတွေကို ဘယ်လိုဖြေရှင်းရမယ်ဆိုတာပါ အပါအဝင် လုပ်ဆောင်ပုံအဆင့်ဆင့်ကို ပြောပြသွားပါမယ်။

 

အဆင့် ၁- ပိုင်ဆိုင်မှုကို သတ်မှတ်ခြင်း

ပထမဆုံး ပန်းတိုင်ကတော့ လုပ်ငန်းစဉ်တစ်ခုရဲ့ စွမ်းဆောင်ရည်အတွက် အစအဆုံး တာဝန်ယူနိုင်တဲ့ မန်နေဂျာအဖွဲ့တစ်ဖွဲ့ကို စုစည်းဖို့ပါပဲ။ ဆိုလိုတာက လိုအပ်တဲ့လုပ်ငန်းတွေကို ညှိနှိုင်းဆောင်ရွက်ဖို့ "လုပ်ငန်းစဉ် တာဝန်ရှိသူ" (process owner) တစ်ဦးကို ခန့်အပ်ပြီး၊ ပါဝင်ပတ်သက်တဲ့ ဌာနတွေကနေ "လုပ်ငန်းစဉ် မန်နေဂျာများ" (process managers) အဖွဲ့ကို စုဆောင်းရပါမယ်။ OTC လုပ်ငန်းစဉ်တွေအတွက်ဆိုရင် ဒီအဖွဲ့မှာ အရောင်းဌာန၊ လုပ်ငန်းလည်ပတ်မှုဌာန (operations)၊ သင်္ဘောပို့ဆောင်ရေးဌာန (shipping) နဲ့ ငွေကြေးဌာန (finance) က လူတွေ ပါဝင်မှာဖြစ်ပြီး၊ တခြားနယ်ပယ်တွေကလည်း ပံ့ပိုးပေးနိုင်ပါတယ်။ ဒီဝန်ထမ်းတွေဟာ သူတို့ရဲ့ ဌာနတွေကို ကိုယ်စားပြုပြောဆိုနိုင်ပြီး လုပ်ငန်းတစ်ခုလုံးရဲ့ အကျိုးစီးပွားကို ကာကွယ်ပေးနိုင်ရပါမယ်။

မှန်ကန်တဲ့ လုပ်ငန်းစဉ်တာဝန်ရှိသူကို ခန့်အပ်ဖို့က အရေးကြီးပါတယ်။ ဒါက ခက်ခဲနိုင်ပါတယ်။ ဘာကြောင့်လဲဆိုတော့ အများစုသော အခြေအနေတွေမှာ ဒါဟာ လုံးဝအသစ်အဆန်းဖြစ်တဲ့ အကြီးတန်း စီမံခန့်ခွဲမှု ရာထူးတစ်ခုဖြစ်လို့ပါပဲ။ အကောင်းဆုံး လုပ်ငန်းစဉ်တာဝန်ရှိသူဟာ တရားဝင် အခွင့်အာဏာမရှိဘဲ သြဇာလွှမ်းမိုးမှု ဘယ်လိုသုံးရမယ်ဆိုတာကို သိရှိသူတွေ ဖြစ်ကြပါမယ်။ လုပ်ငန်းစဉ်ခရီးစဉ်ရဲ့ အစပိုင်းမှာ သူတို့မှာ အဲဒီအခွင့်အာဏာမျိုး သိပ်မရှိနိုင်ပါဘူး။

လုပ်ငန်းစဉ်စီမံခန့်ခွဲမှုကို ခက်ခဲစေတဲ့ နောက်ထပ်စိန်ခေါ်မှုတစ်ခုလည်း ရှိပါသေးတယ်။ လုပ်ငန်းစဉ် စီမံခွဲမှုက ဖောက်သည်တွေရဲ့ ဦးစားပေးတွေကို ဦးတည်လေ့ရှိပေမယ့်၊ နေ့စဉ်နဲ့အမျှ လုပ်ဆောင်နေတဲ့ လုပ်ငန်းခွင် စီမံခန့်ခွဲမှုကတော့ အကြီးအကဲကို ဦးစားပေးနေရတတ်တာကြောင့် ပဋိပက္ခတွေ ဖြစ်ပေါ်လာ နိုင်ပါတယ်။ ဝန်ထမ်းတွေအနေနဲ့ "အချိန်တိုအတွင်း ဘယ်သူ့ကိုဦးစားပေးရမလဲ-ကိုယ့်အကြီးအကဲကိုလား၊ ဒါမှမဟုတ် လုပ်ငန်းစဉ် တာဝန်ရှိသူကိုလား" ဆိုတဲ့ မေးခွန်းရဲ့ အဖြေကို ဘယ်လိုပေးရမလဲဆိုတာနဲ့ ပတ်သက်ပြီး လမ်းညွှန်မှု လိုအပ်လာပါလိမ့်မယ်။ ဥပမာအားဖြင့်၊ အရောင်းဝန်ထမ်းတွေဟာ သူတို့ရဲ့ မန်နေဂျာတွေရဲ့ တိုက်တွန်းမှုကြောင့် ဝယ်သူက ၁၀ ရက်အတွင်း ပစ္စည်းပို့ပေးဖို့ တောင်းဆိုတဲ့ မှာယူမှုတွေကို မှတ်တမ်းတင်ပြီး အရောင်းပစ်မှတ် ပြည့်မီအောင် လုပ်ဆောင်နေကြချိန်မှာ၊ လုပ်ငန်းစဉ်တာဝန်ရှိသူက ပစ္စည်းလက်ကျန်နည်းနေလို့ ၂၀ ရက်မှ ပို့နိုင်မယ်လို့ အကြံပြုလာတဲ့အခါ အခက်တွေ့ရပါလိမ့်မယ်။

 

အဆင့် ၂- လုပ်ငန်းစဉ်၏ ဖောက်သည်များကို ဖော်ထုတ်ခြင်း

လုပ်ငန်းတစ်ခုကို စတင်တဲ့အခါ လုပ်ငန်းစဉ်မန်နေဂျာတွေက အမြဲတမ်း မေးရမယ့် မေးခွန်းတွေ ရှိပါတယ်။ "ဘယ်သူတွေက ဖောက်သည်တွေလဲ? သူတို့ ဘာတွေလိုချင်လဲ၊ ဘာတွေ အလိုအပ်ဆုံးလဲ? ကျွန်တော်တို့ ဘယ်လို ပို့ဆောင်ပေးမလဲ?" ဒီမေးခွန်းတွေရဲ့ အဖြေတွေမှာ လစ်ဟာမှုတွေ ဒါမှမဟုတ် မရေရာမှုတွေ ရှိနေတယ်ဆိုရင် အဲဒီလုပ်ငန်းစဉ်ကို အခြေခံကျကျ ပြန်လည်စဉ်းစားဖို့ အခွင့်အလမ်းတွေ ရှိနေတာပါပဲ။

လုပ်ငန်းစဉ်ကနေ နောက်ဆုံးမှာ တန်ဖိုးရရှိမယ့်သူတွေဟာ အတွင်းလူတွေ (internal) လည်း ဖြစ်နိုင်သလို၊ အပြင်လူတွေ (external) လည်း ဖြစ်နိုင်ပါတယ်။ OTC (Order-to-Cash) လုပ်ငန်းစဉ်မှာတော့ အဓိကဖောက်သည်တွေကို အလွယ်တကူ ဖော်ထုတ်နိုင်ပါတယ်။ သူတို့ကတော့ ကုန်ပစ္စည်း ဒါမှမဟုတ် ဝန်ဆောင်မှုတွေကို ဝယ်ယူသူတွေဖြစ်ပြီး၊ အရည်အသွေးအကောင်းဆုံးပုံစံနဲ့၊ အချိန်မီ၊ မျှော်မှန်းထားတဲ့နေရာကို လက်ခံရရှိဖို့ လိုအပ်သူတွေပါ။ နောက်တစ်ဦးကတော့ ငွေသားကို စီမံခန့်ခွဲဖို့ လိုအပ်တဲ့ ကုမ္ပဏီကိုယ်တိုင်ပါပဲ။

ဒါ့အပြင် ဒုတိယတန်းစား ဖောက်သည်တွေ (secondary customers) လည်း ရှိနိုင်ပါတယ်။ ဥပမာ - စျေးကွက်ရှာဖွေရေးဌာန (Marketing) ဟာ ကုမ္ပဏီရဲ့ အချိန်မီ ပစ္စည်းပို့ဆောင်နိုင်မှု စွမ်းဆောင်ရည်ကို ပြိုင်ဘက်တွေထက် သာလွန်တဲ့ အားသာချက်အဖြစ် ဖော်ပြချင်တယ်ဆိုရင် OTC လုပ်ငန်းစဉ်ရဲ့ ဖောက်သည်တစ်ဦး ဖြစ်နိုင်ပါတယ်။ နောက်ထပ် ဖောက်သည်တစ်ဦးကတော့ ကုမ္ပဏီရဲ့ ကာဗွန်ခြေရာကို လျှော့ချချင်တဲ့ ရေရှည်တည်တံ့ရေးအဖွဲ့ (sustainability group) ဖြစ်နိုင်ပါတယ်။ ဒီနေရာမှာပဲ လုပ်ငန်းစဉ်စီမံခန့်ခွဲမှုရဲ့ အသိဉာဏ်ကိုကျေနပ်အောင်ဆွဲဆောင်နိုင်မယ့် ဂုဏ်သတ္တိတစ်ခု ရှိနေပါတယ်။ ဒါဟာ မန်နေဂျာတွေကို ဦးစားပေးတွေကို သတ်မှတ်ပြီး၊ အဲဒီဦးစားပေးတွေနဲ့အညီ အလုပ်တွေကို ချိန်ညှိလုပ်ဆောင်ဖို့ တွန်းအားပေးတာပါပဲ။

နည်းပညာက ကုမ္ပဏီတွေကို ဖောက်သည်ဒေတာတွေနဲ့ လုပ်ငန်းစဉ်တွေရဲ့ လက်ရှိစွမ်းဆောင်ရည်အပေါ် ဖောက်သည်တွေရဲ့ အမြင်တွေကို သိမ်းဆည်းဖို့နဲ့ ခွဲခြမ်းစိတ်ဖြာဖို့ ကူညီပေးနိုင်ပါတယ်။ ဖောက်သည်ဆက်ဆံရေး စီမံခန့်ခွဲမှုစနစ်များ (CRM systems) က ဖောက်သည်တွေ ဆုံးရှုံးမှု၊ ဝန်ဆောင်မှုတောင်းဆိုမှု အရေအတွက်နဲ့ ဖောက်သည်တွေဆီကနေ ရရှိတဲ့ အမြတ်အစွန်းဆိုင်ရာ ထိုးထွင်းသိမြင်မှုတွေကို ပေးနိုင်ပါတယ်။ Generative AI စနစ်တွေကတော့ ဝင်လာတဲ့ ဝန်ဆောင်မှုခေါ်ဆိုမှုတွေ၊ အီးမေးလ်တွေနဲ့ လူမှုမီဒီယာပို့စ်တွေမှာပါတဲ့ ဖောက်သည်တွေရဲ့ မှတ်ချက်တွေကို ခွဲခြမ်းစိတ်ဖြာပြီး အနှစ်ချုပ်ပေးနိုင်ပြီး၊ ဒီနေရာမှာ အချိန်နဲ့အမျှ ပိုပြီး ကောင်းမွန်လာနေပါတယ်။

 

အဆင့် ၃- လက်ရှိ လုပ်ငန်းစဉ်ကို လုပ်ဆောင်ချက်အစီအစဉ်အသေးစိတ်ရေးဆွဲခြင်း

နောက်တစ်ဆင့်ကတော့ လက်ရှိလုပ်ငန်းစဉ်ကို ဖော်ပြတဲ့ အဆင့်မြင့်စီးဆင်းမှုဇယား (high-level flowchart) တစ်ခုကို ရေးဆွဲဖို့ပါပဲ။ ဒီဇယားမှာ ကုန်ပစ္စည်းတွေ ရုပ်ပိုင်းဆိုင်ရာ ရွေ့လျားပုံ၊ ဒေတာတွေ ဖန်တီးပုံ၊ စီးဆင်းပုံနဲ့ အသုံးပြုပုံတွေ ပါဝင်ရပါမယ်။ အရင်တုန်းက ဒီအလုပ်တွေကို Post-it မှတ်စုလေးတွေနဲ့ whiteboards တွေပေါ်မှာ ကိုယ်တိုင်ကိုယ်ကျ လုပ်ဆောင်ခဲ့ရပေမယ့်၊ ယနေ့ခေတ်မှာ ဉာဏ်ရည်တု (AI) က ဒါတွေကို အလိုအလျောက် လုပ်ဆောင်ပေးနိုင်ပါပြီ။

ကျွန်တော်တို့ တွေ့ရှိရတာကတော့ ဌာနအချင်းချင်းကြားက ဆက်သွယ်မှုပုံစံတွေ (interfaces) ကို ဖော်ပြထားတာက အထူးသဖြင့် အစောပိုင်းအဆင့်မှာ အလွန်အသုံးဝင်ပါတယ်။ မကြာခဏဆိုသလို ဒီဆက်သွယ်မှုတွေဟာ "အလွတ်နေရာ" (white space) တွေမှာ တည်ရှိနေပါတယ်။ ဆိုလိုတာက ဘယ်ဌာနရဲ့ တာဝန်လဲဆိုတာ ရှင်းရှင်းလင်းလင်း မရှိဘဲ၊ ဒါကြောင့် ကြန့်ကြာမှုတွေ၊ အမှားတွေနဲ့ ထိရောက်မှုမရှိတာတွေ ဖြစ်နိုင်ခြေများတဲ့ အရင်းအမြစ်တွေ ဖြစ်နေတတ်ပါတယ်။

အသေးစိတ်ဆန်းစစ်ခြင်း (Process Mining) ဟာ ဒီအဆင့်မှာ အများကြီး အထောက်အကူပြုနိုင်ပါတယ်။ ဒါဟာ လုပ်ငန်းစဉ်ဆိုင်ရာ ဒေတာတွေကို IT စနစ်တွေကနေ ထုတ်ယူပြီး ပုံစံထုတ်တာ၊ ခွဲခြမ်းစိတ်ဖြာတာနဲ့ လုပ်ငန်းကို အကောင်းဆုံးဖြစ်အောင် လုပ်ဆောင်တာမျိုးပါ။ ဒီနည်းပညာဟာ အရင် လုပ်ငန်းစဉ်စီမံခန့်ခွဲမှု ခေတ်တွေတုန်းက မရရှိနိုင်ခဲ့ပါဘူး။ ဒါပေမယ့် အခုတော့ လုပ်ငန်းတစ်ခုရဲ့ လုပ်ငန်းစဉ်တွေ ဘယ်လို လုပ်ဆောင်နေတယ်ဆိုတာကို သိရှိဖို့အတွက် Enterprise System တွေရဲ့ Log File တွေကနေ အချက်အလက်တွေကို စုဆောင်းပြီး အသုံးပြုပါတယ်။ ဥပမာအားဖြင့် OTC (Order-to-Cash) လုပ်ငန်းစဉ်မှာ ကုမ္ပဏီတွေဟာ ကွန်ပျူတာနဲ့ လုပ်ဆောင်နေတဲ့ အလုပ်တွေက ဘာတွေလဲ၊ မှာယူမှုတစ်ခုကို ဖြည့်ဆည်းဖို့၊ ပစ္စည်းတစ်ခု ပို့ဆောင်ဖို့နဲ့ ဖောက်သည်ဆီကနေ ငွေရဖို့ ဘယ်လောက်ကြာလဲဆိုတာကို အချိန်နဲ့တပြေးညီ သိရှိနိုင်ပါတယ်။ အသေးစိတ်ဆန်းစစ်ခြင်း (Process Mining)က လုပ်ငန်းစဉ်ကို ပြန်လည်ဒီဇိုင်းဆွဲတဲ့အခါ အာရုံစိုက်ရမယ့် အခက်အခဲနေရာတွေကို မီးမောင်းထိုးပြနိုင်ပါတယ်။ အဲဒီ အခက်အခဲတွေကို ဖော်ထုတ်ပြီးတာနဲ့ အဖွဲ့အစည်းက "လုပ်ငန်းဆောင်တာ ဆန်းစစ်ခြင်း" (task mining) ကို ကြိုးစားနိုင်ပါတယ်။ ဒါကို တချို့နည်းပညာဝန်ဆောင်မှုပေးသူတွေက ကမ်းလှမ်းမှုတွေလုပ်ပေးပြီး အလိုအလျောက်စနစ် (automation) ကနေတစ်ဆင့် သေးငယ်တဲ့ လုပ်ငန်းစဉ်တွေကို တိုးတက်အောင် လုပ်ဆောင်ဖို့ အာရုံစိုက်ပါတယ်။

 

နည်းပညာအသစ်တွေဟာ ပိုမိုကောင်းမွန်တဲ့ လုပ်ငန်းစဉ်တွေကို ချဲ့ထွင်ဖို့ ကူညီပေးပြီး၊ လုပ်ငန်းစဉ်တစ်ခုကို ကောင်းမွန်စွာသတ်မှတ်ပြီး ကောင်းမွန်စွာစီမံခန့်ခွဲထားတယ်ဆိုရင် ဉာဏ်ရည်တု (AI) ကို အသုံးပြုပြီး တန်ဖိုးတက် လာအောင်လုပ်ဖို့က ပိုပြီး လွယ်ကူပါတယ်။

PepsiCo ဟာ ၂၀၁၉ ခုနှစ်မှာ သူတို့ရဲ့ ပေးရန်စာရင်း (accounts payable) လုပ်ငန်းစဉ်နဲ့ အသေးစိတ်ဆန်းစစ်ခြင်း (Process Mining) လုပ်ငန်းတွေကို စတင်ခဲ့ပါတယ်။ အဲဒီကတည်းက ကုမ္ပဏီဟာ နှစ်စဉ် လူသားတွေရဲ့လုပ်အား ထောင်ပေါင်းများစွာကို သက်သာစေပြီး၊ စာရင်းမှ ပယ်ဖျက်ငွေများ (write-offs) တွေကိုလည်း ဒေါ်လာသန်းပေါင်းများစွာ လျှော့ချနိုင်ခဲ့ပါတယ်။ အခုဆိုရင် ကုမ္ပဏီဟာ Celonis ကနေရတဲ့ အသေးစိတ် ဆန်းစစ်ခြင်း (Process Mining)ကို OTC လိုမျိုး အစအဆုံး လုပ်ငန်းစဉ်ကြီးတွေ အပါအဝင် လုပ်ငန်းစဉ် ၉ ခုမှာ အသုံးပြုနေပါတယ်။ ဥပမာ - ကြွေးကျန် ဖောက်သည်တွေဆီကို စာပို့တာမျိုးလို တချို့လှုပ်ဆောင်ချက်တွေကို ဒီလုပ်ငန်းစဉ်တွေထဲမှာ အလိုအလျောက် လုပ်ဆောင်ထားပါတယ်။ ဉာဏ်ရည်တု (AI) ကိုတော့ PepsiCo က SAP စနစ်အသစ် တပ်ဆင်လိုက်တဲ့အခါ ကနဦး မှာယူမှု ပယ်ချနှုန်း ၃၀% ဖြစ်နေတာမျိုးလို အကြီးဆုံးပြဿနာတွေကို ဖော်ထုတ်ဖို့ အသုံးပြုခဲ့ပါတယ်။ ဉာဏ်ရည်တု (AI) နည်းပညာကို အသုံးပြု၍ လုပ်ငန်းစဉ်များအား အသေးစိတ်ဆန်းစစ်ခြင်း (Process Mining) ကြောင့် ကုမ္ပဏီရဲ့ ပစ္စည်းပယ်ချမှုနှုန်း (Rejection Rate) ဟာအထင်ကြီးစရာကောင်းလောက် အောင် ၄% အထိ ကျဆင်းသွားခဲ့ပါတယ်။

 

အဆင့် ၄- လုပ်ငန်းစဉ်စွမ်းဆောင်ရည် တိုင်းတာမှုများနှင့် ပန်းတိုင်များ သတ်မှတ်ခြင်း

နောက်တစ်ဆင့်ကတော့ ပြန်လည်ပြင်ဆင်ထားတဲ့ လုပ်ငန်းစဉ်ကို စီမံခန့်ခွဲဖို့အတွက် တိုင်းတာမှုတွေနဲ့ မက်ထရစ်တွေကို သတ်မှတ်ပြီး နေရာချထားဖို့ပါပဲ။ OTC (Order-to-Cash) အတွက်ဆိုရင် အစအဆုံး လည်ပတ်ချိန် (မှာယူမှုပြုလုပ်ချိန်ကနေ ငွေပေးချေမှုရရှိချိန်အထိ ကြာမြင့်ချိန်)၊ ဖောက်သည်စိတ်ကျေနပ်မှု၊ ဒေတာတိကျမှုနဲ့ လုပ်ငန်းစဉ် ထိရောက်မှုတွေဟာ အထူးအရေးကြီးပါတယ်။ ကုမ္ပဏီတွေအနေနဲ့ လက်ရှိ လုပ်ငန်းစဉ်အတွက် ဘယ်လောက်အထိ တိုးတက်မှုမျိုး လိုအပ်တယ်ဆိုတာကိုလည်း သတ်မှတ်သင့်ပါတယ်။ လုပ်ငန်းစဉ် ပြန်လည်ပြုပြင်ပြောင်းလဲခြင်းလှုပ်ရှားမှုကာလတုန်းက အဆ ၁၀ ဆ တိုးတက်မှုမျိုးကို မကြာခဏ ဆိုသလို ရှာဖွေခဲ့ကြပါတယ်။ ဒါပေမယ့် lean နဲ့ Six Sigma နည်းစနစ်တွေနဲ့ကျတော့ ပန်းတိုင်တွေက တဖြည်းဖြည်းချင်း တိုးတက်တဲ့ပုံစံမျိုး ဖြစ်လာပါတယ်။ စိတ်ကူးပေါက်ရာ ကြီးမားတဲ့ ဒါမှမဟုတ် သေးငယ်တဲ့ ပန်းတိုင်တွေ သတ်မှတ်တာမျိုး မဟုတ်ဘဲ၊ ကုမ္ပဏီတွေဟာ လိုအပ်တာနဲ့ ဖြစ်နိုင်တာတွေအပေါ်မူတည်ပြီး ပန်းတိုင်တွေကို သတ်မှတ်သင့်ပါတယ်။

လက်ရှိ လုပ်ငန်းစဉ်ရဲ့ စွမ်းဆောင်ရည်ဆိုင်ရာ တိုင်းတာမှုတွေကို ခွဲခြမ်းစိတ်ဖြာတာက လုပ်ငန်းစဉ်အသစ်ကို ဒီဇိုင်းထုတ်ရာမှာနဲ့ နည်းပညာတွေ အသုံးပြုရာမှာ အထောက်အကူဖြစ်စေမယ့် ထိုးထွင်းသိမြင်မှုတွေကိုလည်း ပေးနိုင်ပါတယ်။ ဥပမာ - တယ်လီကွန်းကုမ္ပဏီတစ်ခုဟာ သီးခြားဝန်ဆောင်မှု အမျိုးအစားတစ်ခုကို ပေးပို့ဖို့ ရက် ၉၀ လောက်ကြာတယ်လို့ တွေ့ရှိခဲ့ပါတယ်။ ပိုမိုနက်ရှိုင်းစွာ လေ့လာ ကြည့်တဲ့အခါ တကယ့်အလုပ်လုပ်ချိန်က ၁၀ ရက်လောက်ပဲရှိပြီး၊ ကျန်တဲ့ရက် ၈၀ ကတော့ အဆင့်တွေကြားမှာ စောင့်ဆိုင်းနေရတဲ့အချိန်တွေ ဖြစ်နေတာကို တွေ့ခဲ့ရပါတယ်။ အလုပ်တွေကို ပိုပြီး ကောင်းမွန်စွာ ညှိနှိုင်းဆောင်ရွက်ပုံကို စီစဉ်နိုင်ခဲ့တာကြောင့် အဲဒီရက် ၆၀ ထဲက ရက်အများစုကို ဖယ်ရှားနိုင်ခဲ့ပါတယ်။ ဒါက ဖောက်သည်တွေကို ပိုမိုစိတ်ကျေနပ်စေပြီး ငွေသားလည်း ပိုမိုမြန်ဆန်စွာ ရရှိစေခဲ့ပါတယ်။

 

အဆင့် ၅- လုပ်ငန်းစဉ်အထောက်အကူပြုအချက်များကို ထည့်သွင်းစဉ်းစားခြင်း

လုပ်ငန်းစဉ်စီမံခန့်ခွဲမှုမှာ လုပ်ငန်းစဉ် အထောက်အကူပြုအချက်များ (process enablers) ကို ထည့်သွင်းစဉ်းစားဖို့က အရေးကြီးပါတယ်။ Microsoft ၊ UiPath နဲ့ အခြားသော ဝန်ဆောင်မှုပေးသူတွေ ရောင်းချတဲ့ စက်ရုပ်အကူအညီဖြင့် လုပ်ငန်းစဉ် အလိုအလျောက်စနစ်သုံး ကိရိယာများ (Robotic Process Automation - RPA tools) က ထပ်ခါတလဲလဲ လုပ်ဆောင်ရတဲ့ အလုပ်တွေနဲ့ ပုံမှန်လုပ်ရတဲ့ လုပ်ငန်းဆောင်တာတွေကို အလိုအလျောက် လုပ်ဆောင်ပေးနိုင်တာကြောင့် လုပ်ငန်းစဉ်ငယ်လေးတွေကို ဒီဇိုင်းထုတ်ရာမှာ အလွန်အသုံးဝင် ပါတယ်။ Generative AI နဲ့ သမားရိုးကျစက်သင်ယူမှု (traditional machine learning) နှစ်မျိုးစလုံးကတော့ ပိုကြီးမားတဲ့ လုပ်ငန်းစဉ်တွေရဲ့ စွမ်းဆောင်ရည်ကို မြှင့်တင်ပေးနိုင်ပါတယ်။ ဥပမာအားဖြင့် OTC (Order-to-Cash) လုပ်ငန်းစဉ်မှာ Generative AI က စာချုပ်တွေ ရေးဆွဲပေးနိုင်တာ၊ ဖောက်သည်တွေကို ပိုမိုတိကျတဲ့ မှာယူမှုတွေ ပြုလုပ်နိုင်အောင် ကူညီပေးတာနဲ့ ပစ္စည်းပို့ဆောင်မှု အပြောင်းအလဲတွေအကြောင်း သတိပေးတာတွေ လုပ်ဆောင်ပေးနိုင်ပါတယ်။ သမားရိုးကျစက်သင်ယူမှုကတော့ ကုမ္ပဏီတွေကို စျေးနှုန်းတွေကို အကောင်းဆုံး ဖြစ်အောင် လုပ်ဆောင်တာ (optimize pricing)၊ အကြွေးကျန်ငွေခွင့်ပြုချက်တွေကို မြန်ဆန်အောင် လုပ်ဆောင်တာ (speed up credit approvals)၊ လိမ်လည်မှုတွေကို ကာကွယ်တာ (prevent fraud) နဲ့ လိုအပ်တဲ့ ဝန်ထမ်းအင်အားကို ခန့်မှန်းတာ (estimate needed staffing levels) တွေမှာ ကူညီပေးနိုင်ပါတယ်။

အခြားသော နည်းပညာအသစ်တွေလည်း သက်ဆိုင်နိုင်ပါတယ်။ အင်တာနက်ချိတ်ဆက်ပစ္စည်းများ (Internet of Things - IoT) စနစ်သုံး sensor တွေကို ထုတ်လုပ်မှု စက်ပစ္စည်းတွေကို စောင့်ကြည့်ဖို့နဲ့ ချို့ယွင်းမှုတွေကို ကာကွယ်ဖို့ အသုံးပြုနိုင်ပါတယ်။ Blockchain ကိုတော့ ထောက်ပံ့ရေးကွင်းဆက် (supply chain) တစ်လျှောက် ကုန်ပစ္စည်းတွေ ရွေ့လျားပုံကို မှတ်တမ်းတင်ဖို့ အသုံးပြုနိုင်ပါတယ်။ သမားရိုးကျစီးပွားရေး ခွဲခြမ်းစိတ်ဖြာမှု (traditional business analytics) တွေကလည်း လုပ်ငန်းစဉ်တွေတစ်လျှောက် ဆုံးဖြတ်ချက်ချမှတ်ခြင်းကို ပိုမိုကောင်းမွန်စေနိုင်ပါတယ်။

 

အဆင့် ၆- လုပ်ငန်းစဉ်ကို ပြန်လည်ဒီဇိုင်းဆွဲခြင်း

လုပ်ငန်းစဉ်ကို ပြန်လည်ဒီဇိုင်းဆွဲခြင်းကို သက်ဆိုင်ရာဌာနများမှ ဝန်ထမ်းများ ပါဝင်သည့် ဌာနပေါင်းစုံပူးပေါင်းအဖွဲ့ (cross-functional team) မှ ဦးဆောင်သင့်ပါတယ်။ ရည်ရွယ်ချက်ကတော့ ပိုမိုကောင်းမွန်တဲ့ လုပ်ငန်းလည်ပတ်မှုကို လုပ်ဆောင်ချက်အသေးစိတ်ရေးဆွဲရုံတင်မကဘဲ လိုအပ်တဲ့ ကျွမ်းကျင်မှုတွေ၊ နည်းပညာတွေ၊ လုပ်ငန်းဖွဲ့စည်းပုံဆိုင်ရာ ပြောင်းလဲမှုတွေနဲ့ မိတ်ဖက်များ၊ ဖောက်သည်များရဲ့ မျှော်မှန်းချက်တွေကိုပါ ဖော်ထုတ်ဖို့ပါပဲ။

အရင်တုန်းက လုပ်ငန်းစဉ်တွေကို ဒီဇိုင်းဆွဲတာဟာ လူအင်အားအများကြီး အသုံးပြုရတဲ့ လုပ်ငန်းဖြစ်ခဲ့ပေမယ့် ယနေ့ခေတ်မှာတော့ ဉာဏ်ရည်တု (AI) က ဒီအလုပ်ကို ပိုမိုမြန်ဆန်ပြီး ထိရောက်အောင် လုပ်ဆောင်ပေးနိုင်ပါပြီ။ ဥပမာအနေနဲ့ဆိုရင်၊ လုပ်ငန်းစဉ်စီမံခန့်ခွဲမှုဆော့ဖ်ဝဲလ်တွေကို နှစ်ရှည်လများ ထောက်ပံ့ နေတဲ့ Pega လိုကုမ္ပဏီကြီးတစ်ခုက စိတ်ဝင်စားဖို့ကောင်းတဲ့ နည်းပညာတစ်မျိုးကို မိတ်ဆက်လိုက်ပါပြီ။ သူတို့ရဲ့ လက်ရာမှာ Generative AI နည်းပညာကိုသုံးပြီး၊ ကိုယ်ပိုင် စာကြည့်တိုက်ထဲက 'အကောင်းဆုံးလုပ်ထုံးလုပ်နည်း' ဒီဇိုင်းတွေကို အလိုအလျောက်ထုတ်ယူကာ၊ ဒီဇိုင်းအဖွဲ့တွေဆီကို အကြံပြုချက်အဖြစ် တင်ပြနိုင်တဲ့ ကိရိယာတွေ ဖြစ်ပါတယ်။ တစ်နည်းဆိုရင်... လုပ်ငန်းစဉ်ဒီဇိုင်းဆွဲနေတဲ့အဖွဲ့တွေအတွက် AI က 'အရင်တုန်းက အောင်မြင်ခဲ့တဲ့နမူနာတွေကို ကြည့်ပါ၊ ဒီလိုလုပ်ကြည့်ပါ' ဆိုပြီး ဉာဏ်ကူပေးနေတာမျိုးပေါ့။ ဒါဟာ လူသားတွေရဲ့ဖန်တီးမှုကို အစားထိုးဖို့မဟုတ်ဘဲ၊ ပိုမိုမြန်ဆန်တိကျတဲ့ ဆုံးဖြတ်ချက်တွေချနိုင်ဖို့ နည်းပညာရဲ့အထောက်အပံ့ကို ရယူတဲ့နည်းလမ်းသစ်တစ်ခုပါပဲ။ ဒီလိုနည်းပညာမျိုးတွေ ပေါ်လာတာနဲ့အမျှ၊ အနာဂတ်မှာ လုပ်ငန်းစဉ်ဒီဇိုင်းဆွဲခြင်းဟာ ယခင်ကထက် အဆပေါင်းများစွာ ပိုမိုထိရောက်လာဖို့ ရှိပါတယ်။

Pega ရဲ့ ဖောက်သည်တစ်ဦးဖြစ်တဲ့ Deutsche Telekom (ဂျာမနီနိုင်ငံရဲ့ အကြီးဆုံး ဆက်သွယ်ရေးကုမ္ပဏီ) ဟာ Pega ကနေ ထုတ်လုပ်တဲ့ Blueprint လို့ခေါ်တဲ့ ကိရိယာအသစ်ကို အသုံးပြုပြီး သူတို့ရဲ့ HR လုပ်ငန်းစဉ်တွေနဲ့ ဒါတွေကို ထောက်ပံ့ပေးတဲ့ စနစ်တွေကို ပြန်လည်တည်ဆောက်ခဲ့ပါတယ်။ နှစ်ပေါင်းများစွာအတွင်း Deutsche Telekom ဟာ နိုင်ငံပေါင်း ၂၀ ကျော်မှာ HR လုပ်ငန်းစဉ်ပေါင်း ၈၀၀ လောက်ကို တည်ထောင်ထားခဲ့ပြီး၊ ဒါတွေရဲ့ ရှုပ်ထွေးမှုက အလွန်ကြီးမားခဲ့ပါတယ်။ အစပိုင်းမှာတော့ HR လုပ်ငန်းခွဲအများစုကို သမားရိုးကျဒီဇိုင်းနဲ့ စနစ်တည်ဆောက်ရေး ကိရိယာတွေ အသုံးပြုပြီး ကိုင်တွယ်ခဲ့ပေမယ့် တိုးတက်မှုက နှေးကွေးခဲ့ပါတယ်။ လုပ်ငန်းဘက်က လူတွေနဲ့ IT ဘက်က လူတွေကြားမှာ နားလည်မှုလွဲမှားတာတွေက ကြန့်ကြာမှုတွေကို ဖြစ်ပေါ်စေခဲ့ပါတယ်။ ဒါပေမဲ့ Blueprint ဟာ လုပ်ငန်းကျွမ်းကျင်သူတွေကို သူတို့ရဲ့ ကိုယ်ပိုင်စကားလုံးတွေနဲ့ လုပ်ငန်းစဉ်တွေကို ဖော်ပြနိုင်တဲ့ ရိုးရှင်းတဲ့ ဆက်သွယ်ရေး interface တစ်ခုနဲ့ ဒါတွေကို ဖယ်ရှားပေးခဲ့ပါတယ်။ Blueprint က ပြန်လည်ဒီဇိုင်းရေးဆွဲရေးအဖွဲ့က မေ့လျော့သွားနိုင်တဲ့ အရာတွေနဲ့ ပတ်သက်ပြီး အကြံပြုချက်တွေ ပေးခဲ့သလို လုပ်ငန်းစဉ်ပုံစံခွက် (process templates) တွေကိုလည်း ဖန်တီးပေးခဲ့တာကြောင့် ဖြေရှင်းနည်းတွေ ရှာဖွေရတဲ့အချိန်နဲ့ လုပ်ငန်းစီးဆင်းမှုစနစ်တွေကို တိုးတက်အောင် လုပ်ဆောင်ရတဲ့အချိန်ကို အများကြီး လျှော့ချပေးနိုင်ခဲ့ပါတယ်။

Blueprint ရဲ့ အကူအညီနဲ့ Deutsche Telekom ဟာ လုပ်ငန်းစဉ်ပေါင်း ၂၅၀ ကို ချောမွေ့အောင် လုပ်ဆောင်ပြီးစီးခဲ့ပါပြီ။ ကျန်ရှိနေတဲ့ လုပ်ငန်းစဉ်တွေကိုလည်း ဆက်လက်လုပ်ဆောင်သွားဖို့ စီစဉ်ထားပါတယ်။ ဒီလိုလုပ်ဆောင်နိုင်ခဲ့တဲ့အတွက် ဝန်ထမ်းစိတ်ကျေနပ်မှု မြင့်တက်လာပြီး HR ဝန်ထမ်းတွေဟာ ထပ်ခါတလဲလဲ လုပ်ဆောင်ရတဲ့ အလုပ်တွေကနေ လွတ်မြောက်ခဲ့တာကြောင့် ဝန်ထမ်းတွေကို ပိုမိုကောင်းမွန်တဲ့ ဝန်ဆောင်မှုတွေ ပေးဖို့ အချိန်ပို ရလာခဲ့ပါတယ်။ ဒါ့အပြင် ကုမ္ပဏီအနေနဲ့ Application တွေ လည်ပတ်ခြင်းနဲ့ စီမံခန့်ခွဲမှု ကုန်ကျစရိတ်တွေမှာ ယူရို သန်းပေါင်းများစွာကို သက်သာစေခဲ့ပါတယ်။ Generative AI နဲ့ စီးပွားရေးဆိုင်ရာ ကျွမ်းကျင်မှု ပေါင်းစပ်လိုက်တာက Deutsche Telekom မှာ လုပ်ငန်းစဉ်ဒီဇိုင်းဆွဲတဲ့ ပုံစံကို ပြောင်းလဲပေးနေပြီး၊ တခြားလုပ်ငန်းအဖွဲ့အစည်းများစွာမှာလည်း ဒီလိုပဲ ဖြစ်လာလိမ့်မယ်လို့ ကျွန်တော်တို့ ယုံကြည်ပါတယ်။

ကျွန်တော်တို့ အနေနဲ့ မျှော်လင့်ချက်ကြီးကြီးထားနေတဲ့ နောက်ထပ်ကိရိယာတွေကတော့ Generative AI အခြေခံ ရုပ်ပုံဖန်တီးနိုင်စွမ်း (generative-AI-based image-creation capabilities)၊ Generative ဒီဇိုင်းကိရိယာများ (generative design tools) (လက်ရှိ ဗိသုကာပညာရှင်တွေ အသုံးပြုနေတဲ့ ကိရိယာတွေ) နဲ့ ဒစ်ဂျစ်တယ်ပုံတူများ (digital twins) တို့ပဲ ဖြစ်ပါတယ်။ ဒီကိရိယာတွေဟာ အဖွဲ့တွေကို လုပ်ငန်းစဉ်ဒီဇိုင်းအသစ်တွေကို စိတ်ကူးပုံဖော်တာ၊ အတုယူစမ်းသပ်တာ (simulate) နဲ့ နောက်ဆုံးမှာတော့ လုပ်ငန်းစဉ်ဒီဇိုင်းနဲ့ စီးဆင်းမှုကို အကောင်းဆုံးဖြစ်အောင် (optimize) လုပ်ဆောင်ဖို့ ကူညီပေးလိမ့်မယ်လို့ ကျွန်တော်တို့ ခန့်မှန်းထားပါတယ်။

အဆင့် ၇- လုပ်ငန်းစဉ်ကို အကောင်အထည်ဖော်ခြင်းနှင့် စောင့်ကြည့်ခြင်း

ကျွန်တော်တို့ အစောပိုင်းမှာ ပြောခဲ့သလိုပဲ လုပ်ငန်းစဉ်ဒီဇိုင်းအသစ်တွေကို အကောင်အထည်ဖော်ဖို့ အတွက် သိသိသာသာ ကြိုးပမ်းအားထုတ်မှုတွေ လိုအပ်ပါတယ်။ ဆော့ဖ်ဝဲလ်တွေနဲ့ ဉာဏ်ရည်တု (AI) အခြေခံ ကိရိယာတွေကို လုပ်ငန်းစဉ်အသစ်ထဲက အဓိက လုပ်ငန်းဆောင်တာတွေကို အလိုအလျောက်လုပ်ဖို့ အသုံးပြုနိုင်ပေမယ့် ဝန်ထမ်းတွေအတွက် လေ့ကျင့်မှု လိုအပ်မယ်၊ ဒေတာတွေကို ပေါင်းစည်းရမယ်၊ စနစ်တွေ တည်ဆောက်ရမယ်၊ ပြီးတော့ ဖောက်သည်တွေကို အသိပေး အကျဉ်းချုပ် ရှင်းပြရပါမယ်။ အကောင်အထည် ဖော်ဖို့အတွက် လပေါင်းများစွာ ကြာနိုင်ပေမယ့် နှစ်ပေါင်းများစွာတော့ မကြာသင့်ပါဘူး။

ပိုမိုကောင်းမွန်တဲ့ လုပ်ငန်းစဉ်တစ်ခုကို အကောင်အထည်ဖော်ပြီးတဲ့နောက်မှာ ကုမ္ပဏီတွေဟာ ထိန်းချုပ်မှုနဲ့ စဉ်ဆက်မပြတ် တိုးတက်မှု (control and continuous improvement) တွေ လွှမ်းမိုးနေမယ့် ပုံမှန်အခြေအနေအသစ်တစ်ခုကို တည်ဆောက်ရပါမယ်။ ထိန်းချုပ်မှုရဲ့ အနှစ်သာရကတော့ ကြိုတင်ခန့်မှန်းနိုင်စွမ်း (predictability) ပဲ ဖြစ်ပါတယ်။ ဆိုလိုတာက လုပ်ငန်းစဉ်စွမ်းဆောင်ရည်ဟာ အနာဂတ်မှာ ပိုပြီး ဆိုးရွားလာမှာ မဟုတ်ဘူးလို့ ယုံကြည်စိတ်ချနိုင်တာမျိုးပေါ့။ ဒါဟာ မကြာခဏဆိုသလို ပုံမှန်လို ဖြစ်နေတတ်တဲ့ ဖြစ်လာမှ ဖြေရှင်းခြင်း(firefighting) လုပ်ရပ်တွေရဲ့ ဆန့်ကျင်ဘက်လည်း ဖြစ်ပါတယ်။

 

လုပ်ငန်းစဉ် စီမံခန့်ခွဲမှု၏ အရေးပါပုံနှင့် နည်းပညာ၏ အခန်းကဏ္ဍ

အသေးစိတ်ဆန်းစစ်ခြင်း (Process Mining) ဟာ လုပ်ငန်းစဉ် စွမ်းဆောင်ရည်ကို စောင့်ကြည့်ဖို့နဲ့ ထိန်းချုပ်မှု တည်ဆောက်ဖို့အတွက် အကောင်းဆုံး တန်ဖိုးရှိတဲ့ ကိရိယာတစ်ခုပါပဲ။ လုပ်ငန်းစဉ်အားလုံးမှာ ဖြစ်ပေါ်နေတဲ့ ကွဲပြားမှုတွေကို ဒါက ဖော်ထုတ်ပေးပါလိမ့်မယ်။ အလွန်အကျွံ ကွဲပြားမှုတွေရှိနေရင် စုံစမ်းစစ်ဆေးပြီး ဖယ်ရှားပစ်သင့်ပါတယ်။ ဥပမာ - OTC (Order-to-Cash) မှာ ကုမ္ပဏီတွေဟာ နောက်ဆုံးပို့ဆောင်မှုအတွက် သယ်ယူပို့ဆောင်ရေး လုပ်ငန်းအများအပြားကို အသုံးပြုနိုင်ပါတယ်။ စျေးသက်သာပေမယ့် စိတ်မချရတဲ့ သယ်ယူပို့ဆောင်ရေး လုပ်ငန်းတစ်ခုက ကြီးမားတဲ့ ကွဲပြားမှုရလဒ်တွေကို ဖြစ်ပေါ်စေနိုင်ပါတယ်။ ဒါကြောင့် Mars Wrigley ဟာ သူတို့ရဲ့ ထောက်ပံ့ရေးကွင်းဆက်ကို ပြန်လည်ဒီဇိုင်းဆွဲတဲ့အခါ သယ်ယူပို့ဆောင်ရေး လုပ်ငန်းတွေနဲ့ လက်တွဲလုပ်ဆောင်ဖို့၊ သူတို့ရဲ့ စွမ်းဆောင်ရည်ကို စောင့်ကြည့်ဖို့နဲ့ ယုံကြည်စိတ်ချရတဲ့ ပို့ဆောင်မှုကို သေချာစေဖို့အတွက် စတုတ္ထအဖွဲ့အစည်း ထောက်ပံ့ပို့ဆောင်ရေးကုမ္ပဏီ (fourth-party logistics company) တစ်ခုကို အသုံးပြုခဲ့ပါတယ်။

အသေးစိတ်ဆန်းစစ်ခြင်း (Process Mining)ဟာ ကိုင်တွယ်ဖြေရှင်းရမယ့် အရေးကြီးဆုံးနဲ့ ကုန်ကျစရိတ်အများဆုံး ပြဿနာတွေကို ဖော်ထုတ်နိုင်ပါတယ်။ စီးပွားရေးလုပ်ငန်းမှာ သေချာတဲ့ တစ်ခုတည်းသောအရာက ပြောင်းလဲမှုတွေ ဖြစ်နေတာကြောင့် ဒါကို အမြဲတမ်း လုပ်ဆောင်နေသင့်ပါတယ်။ ဖောက်သည်အသစ်တွေမှာ လိုအပ်ချက်အသစ်တွေ ရှိပါတယ်။ ထုတ်ကုန်အသစ်များတွင် အထူးစီမံခန့်ခွဲမှု လိုအပ်ပါတယ်။ စည်းမျဉ်းအသစ်တွေက အစီရင်ခံစာအသစ်တွေ လိုအပ်ပါတယ်။ ကုန်ပစ္စည်းစာရင်း စီမံခန့်ခွဲမှုဆိုင်ရာမှာ နည်းပညာအသစ်တွေက ထုတ်လုပ်နိုင်စွမ်း တိုးတက်မှုကို ပေးနိုင်ပါတယ်၊ စသဖြင့်ပေါ့။ ထက်မြက်တဲ့ လုပ်ငန်းစဉ်စီမံခန့်ခွဲမှုအဖွဲ့တွေဟာ ဒီလို တိုးတက်ပြောင်းလဲမှုတွေကို အမြဲဦးဆောင်ပြီး၊ လုပ်ငန်းစဉ်တွေကို ဆက်လက်တိုးတက်အောင် လုပ်ဆောင်ဖို့ ကြိုးစားနေကြပါတယ်။ လုံးဝအသစ်ပြန်လည် ဒီဇိုင်းဆွဲထားတဲ့ လုပ်ငန်းစဉ်တွေမှာတောင်မှ ဒီလိုပဲ လုပ်ဆောင်သင့်ပါတယ်။

---

နိဂုံးချုပ်

ကုမ္ပဏီတွေအနေနဲ့ လုပ်ငန်းစဉ်စီမံခန့်ခွဲမှုကို အသုံးပြုရခြင်းရဲ့ အကြောင်းရင်းတွေဟာ အရင်ကထက် ပိုများလာပြီး၊ လုပ်ဆောင်ရတဲ့ အခက်အခဲတွေကလည်း အရင်ကထက် ပိုနည်းလာပါတယ်။ ပိုမိုကောင်းမွန်တဲ့ ဒေတာ၊ နည်းပညာ အကောင်အထည်ဖော်မှု လွယ်ကူခြင်းနဲ့ ထုတ်လုပ်နိုင်စွမ်း တိုးတက်ခြင်းတို့ရဲ့ ကောင်းမွန်တဲ့ လည်ပတ်မှု (virtuous cycle) ဟာ ရလဒ်ကောင်းတွေကို တိုးမြှင့်ပေးခဲ့ပြီး၊ နည်းပညာအသစ်များစွာကလည်း အလုပ်တွေကို ပိုမိုမြန်ဆန် လွယ်ကူစေပါတယ်။ လုပ်ငန်းစဉ်အပေါ် အာရုံစိုက်မှု လျော့ကျသွားခဲ့ပေမယ့် ဒါကို ဆက်လက်ထိန်းသိမ်းထားသူတွေကတော့ အကျိုးကျေးဇူးတွေကို ခံစားခဲ့ကြပါတယ်။

ကျွန်တော်တို့ ယုံကြည်တာကတော့ ကုမ္ပဏီအားလုံးဟာ လုပ်ငန်းစဉ်စီမံခန့်ခွဲမှုကို အလေးထားသင့်ပြီး၊ ဉာဏ်ရည်တု (AI) ကို အလေးအနက်ထားတဲ့ လုပ်ငန်းတွေအတွက်ဆိုရင် ဒါဟာ မရှိမဖြစ်လိုအပ်ပါတယ်။

အမှုဆောင်အရာရှိတွေအနေနဲ့ လူတွေ၊ ဒေတာတွေ၊ နည်းပညာ၊ ဉာဏ်ရည်တု (AI) နဲ့ ခွဲခြမ်းစိတ်ဖြာမှုတွေဟာ စီးပွားရေးစွမ်းဆောင်ရည်ကို တိုးတက်အောင် ဘယ်လိုပေါင်းစပ်နိုင်မလဲဆိုတာကို ကျယ်ကျယ်ပြန့်ပြန့် စဉ်းစားဖို့ လိုအပ်ပါတယ်။ လုပ်ငန်းစဉ်ဟာ ဗဟိုချက်မှာ ရှိနေဖို့ လိုပါတယ်။ ဘာကြောင့်လဲဆိုတော့ လုပ်ငန်းအဖွဲ့အစည်းတွေဟာ လုပ်ငန်းစဉ်တွေကနေတစ်ဆင့်ပဲ တန်ဖိုးတွေကို ပေးစွမ်းနိုင်လို့ပါပဲ။ အကြီးတန်းမန်နေဂျာတွေအနေနဲ့ လုပ်ငန်းစဉ်တွေကို သူတို့ရဲ့ အာရုံစိုက်မှုနယ်ပယ်ထဲကို ပြန်လည်ထည့်သွင်းပြီး သူတို့ရဲ့ ဌာနတွေမှာ ဒါကို ဘယ်လို ပိုမိုကောင်းမွန်အောင် လုပ်ဆောင်မလဲဆိုတာ စတင်စီစဉ်ဖို့ အချိန်တန်ပါပြီ။

 

Read more on Generative AI or related topics Process management, Technology and analytics, Change management, Operations strategy, Customer-centricity, Data management and AI and machine learning

A version of this article appeared in the January–February 2025 issue of Harvard Business Review.

Thomas H. Davenport ဟာ လက်ရှိမှာ Babson ကောလိပ်ရဲ့ သမ္မတ ဂုဏ်ထူးဆောင် သတင်းအချက်အလက် နည်းပညာ ပါမောက္ခအဖြစ် တာဝန်ထမ်းဆောင်နေပါတယ်။ ဒါ့အပြင် သူဟာ ဗာဂျီးနီးယားတက္ကသိုလ် (UVA) ရဲ့ Darden စီးပွားရေးကျောင်းမှာ Bodily နှစ် ၂၀၀ ပြည့် အမှတ်တရ Analytics ပါမောက္ခ၊ MIT ဒစ်ဂျစ်တယ် စီးပွားရေးဆိုင်ရာ အစီအစဉ်ရဲ့ ဖိတ်ခေါ်ပညာရှင်အဖြစ်လည်း ဆောင်ရွက်နေပါတယ်။ Deloitte ရဲ့ Chief Data and Analytics Officer Program မှာတော့ အကြီးတန်း အကြံပေးတစ်ဦးအနေနဲ့ ပါဝင်ကူညီပေးနေသူတစ်ဦး ဖြစ်ပါတယ်။

---

Thomas C. Redman ဟာ Data Quality Solutions ရဲ့ ဥက္ကဋ္ဌအဖြစ် တာဝန်ယူထားပါတယ်။ ဒါ့အပြင် သူဟာ ၂၀၂၃ ခုနှစ်မှာ Kogan Page ကနေ ထုတ်ဝေခဲ့တဲ့ "People and Data: Uniting to Transform Your Business" (လူနှင့်ဒေတာ- သင့်လုပ်ငန်းကို ပြောင်းလဲရန် ပူးပေါင်းခြင်း) ဆိုတဲ့ စာအုပ်ရဲ့ စာရေးဆရာလည်း ဖြစ်ပါတယ်။