基于流程复杂性的流程分析

流程复杂性度量为分析业务流程的复杂性提供了基础，在此基础上可以结合业务的具体特征，计算相关的复杂性指标，对流程模型的复杂性进行客观评价，帮助业务人员优化流程模型，提高流程性能。

【例7.1】 使用图模型分析供应链流程的复杂性[20]

随着经济全球化，企业为了降低生产成本将产品设计、生产和销售分布到不同的地区，以充分利用当地的劳动力、技术等资源优势，提高运营效率，其供应链管理变得日趋复杂。综合考虑供应链的参与者、配送过程、物流对供应链流程复杂性的影响，有助于设计出高质量的物流流程，提高物流的运营效率和服务质量。

供应链流程由供应商、制造商、批发商、零售商等组成，不同企业之间存在物资、信息和资金的流动，形成网状的复杂物流网络。传统的供应链流程复杂性分析主要关注物流网络的节点数目，忽略了企业之间的环境对流程复杂度的影响。企业之间的物流受运输距离、运输方式、不同地区的法律法规等多种因素影响，对整个供应链流程的成本、交货时间以及物流的可靠性都有重要影响。因此需要综合物流网络中参与方、配送环境等因素，对供应链流程的复杂性进行全面评估。这里使用加权图模型对供应链的流程复杂度进行分析，其中节点代表流程的参与方，边表示供应链流程中的物流和信息流。

图7.2所示为某在线购物网站的图书供应链流程，参与者包括供应商、仓库中心、配送中心和消费者等，图中实线箭头表示实物商品的流动，虚线箭头代表信息的传递。当库存量较小时，电商会向供应商发起采购请求，供应商在收到订单后为电商供应商品。客户在电商网站购买图书后，库存管理系统会从仓库中为客户发货。货品到达分拣（配送）中心后，配送管理系统根据送货单的类型直接为客户配送或者配送到指定的自提点，最终客户收到商品后确认收货。在实际的供应链流程中，商品实物的流动通常伴随信息的流动，而且供应链参与者之间的信息交互也更频繁。例如，商品由仓库发往配送中心时，商品型号、客户的配送地址、配送类型等信息也随之送往分拣中心。当顾客确认收货时，配送中心通常会将确认信息返回给电商。

图7.2　图书供应链流程

基于图模型的供应链流程复杂性通过分析流程模型图中各个节点、边的权重，加权求和得到整体的流程复杂度，其中边的权重代表配送过程对流程复杂性的影响程度，包括运输复杂度、信息复杂度和物流环境复杂度等指标。运输复杂度衡量配送距离、运输工具、装卸货物等因素对商品配送的影响程度。信息复杂度评估订单处理、订单生成、配送派遣等信息处理对流程效率的影响。物流环境复杂度描述不同区域的物流法规、商业惯例、行政效率对供应链的影响。节点复杂度评估了流程参与者的业务效率对流程复杂程度的影响，可根据不同企业的局部流程特点将供应链的不同参与者分为生产、集散和商务等类别，利用领域知识评估各类企业的节点复杂度。在分析各个流程环节的复杂度权重基础上，可以对各项流程活动进行加权求和，构建供应链流程的复杂度指标[20]，如公式（7.13）所示：

式（7.13）中的前半部分为节点复杂度，后半部分为边复杂度。P为供应链的节点集合，wi为相应节点的权重。Di，j为连接节点i和节点j的边，f（Di，j）为节点i到j的物流距离权值，可以根据相应的配送复杂度得到。在图7.2所示的图书供应链流程中，供应商为生产节点，复杂性较低，权重为0.2；仓库中心、分拣中心和自提点为集散节点，复杂性较高，权重为0.5；库存管理、配送管理和消费者为商务节点，进行发货、配送和购买等商业行为，复杂性一般，权重为0.3。

供应链中的信息流复杂性相对较低，可以设定相应的物流距离为0.1。物资流的商品配送复杂度与该环节的运输成本关系最大，因此可以设定物流距离权值为运输成本的线性函数，得到相应的物流距离权值如表7.1所示。综上可知该图书供应链流程的复杂度SCC为5.0。

表7.1　运输成本与物流距离权值

基于图模型的供应链流程复杂性度量充分考虑了商品配送环节对整个流程的影响，通过全面分析物流参与方的流程效率和配送环节的复杂因素，对供应链流程的复杂度进行了客观的评估。流程复杂度为物流行业提供了流程优化的量化指标，进而促进物流提供商通过共享物流信息降低信息复杂度，优化配送中心选址，缩小配送复杂性，提高运营效率，降低供应链网络节点复杂度，从而全面地提高物流系统的运营效率和服务质量。

【例7.2】 利用信息熵分析流程的不确定性

业务流程的执行受市场环境、客户特征等因素影响而发生变化，存在一定的不确定性。流程执行的不确定性为资源分配、走势预测和业务决策等增加了难度。利用信息熵等信息复杂性度量分析业务流程的不确定程度，有助于提高流程的可预见性。企业业务通常以一定的概率执行不同的流程路径。例如，根据信用卡申请人条件的不同，80%的审批流程需要评估历史信用记录，而20%的审批流程不需要评估。信息论中的熵用来量化系统的不确定性，因此可以在使用流程挖掘分析各种业务场景可能性的基础上，利用基于熵的信息复杂度分析流程的不确定性[21]。

基于信息熵的流程不确定性度量利用流程基本组成结构的不确定性，加权求和得到整个流程的不确定性。流程模型包含顺序、循环、并行、选择等基本的逻辑结构，每种基本的逻辑结构对流程的不确定性有相应的影响。在顺序和并行结构中，流程按照指定的控制流执行，不确定性为0。而在选择结构中，业务流程按照一定的路由概率执行相应的流程活动，可以使用信息熵作为不确定性度量。而在循环结构中，只有当流程满足一定的业务条件，循环才会结束，可以根据规则判定点的概率，计算循环结构的不确定性。在分析基本结构的基础上，可以将流程模型分解，利用基本结构的不确定性求和得到流程模型的整体复杂度。

图7.3所示为退货处理流程（用Petri网表示），其中圆圈表示流程状态，方块表示流程活动。退货流程可以分解为退货申请校验和退货处理两个子流程。其中退货申请校验子流程对收到的货品和退货请求（A）进行有效性校验，流程结构为并行结构，包含检查货品（B）和退货请求校验（C），它们是同步进行的活动。退货处理子流程根据申请校验的结果进行相应的退货处理：当退货校验申请不通过时，告知用户原因（H），流程结束。当申请通过时征求客户的处理意见（E），选择重新发货（F）或者退款（G）。退货处理子流程中包含两个选择结构，可以使用信息熵定量分析退货流程的不确定性。

图7.3　退货处理流程

分析流程日志，发现退货处理的通过率为90%，利用公式（7.7）计算退货申请审批活动的不确定度为

E（D）＝-[0.9×log2（0.9）＋0.1×log2（0.1）]＝0.468 996。

在处理意见环节，80%的用户选择重新发货，20%的用户选择退款处理，则征求意见活动的不确定度为退货审批活动的不确定性小于征求处理意见活动的不确定，这是由于申请处理结果中的通过率较高，产生的不确定性较小。最后加权求和可得流程的整体不确定度。

[0.8×log2（0.8）＋0.2×log2（0.2）]＝0.721 928。

基于信息熵的流程不确定性度量分析了流程执行的动态特征，帮助业务人员更好地理解流程运行时的不确定性，通过降低不确定因素提高流程预测、流程计划的可靠性和效率。