传统的企业流程优化（BPR），一般是基于公司战略与管控模式，按照企业做完成一项业务的跨角色跨组织的过程进行优化与改变，流程优化通常会以价值为导向、采用全局思维进行思考，并通过信息系统固化。整个流程优化的方法、过程，是通过对工作过程的回顾，从工作过程的协同性、合规性、时效性等方面，来改善做事的过程，从而达到做事过程更能体现其业务价值和全局效果。这个优化逻辑背后，始终是“人”（流程中的各角色）应该按更加合理方式开展工作为基本出发点。

传统的企业流程优化（BPR），通常也非常强调通过信息系统来“固化”流程，从企业的角度，信息系统“固化”流程的主要原因首先是要增强流程执行的刚性，流程挂在墙上，往往“人”在执行中就逐步走样，通过系统固定下流程的步骤与规则，就能让流程严格按照既定的路径执行下去；其次，流程固化在信息系统中，流程执行的信息，也能更加自动的传递到下一个环节去，提高流程流转的效率。这个过程背后也是以“人”为根本点，系统将流程的角色、权限分派给具体的员工，让“人”在系统中完成流程各环节的活动。因此，传统的流程优化与固化背后的基本逻辑都是以“人是流程的执行者”为前提。

传统的企业流程优化（BPR）是优化管理、提升工作效率，提高业务协作性和合规性的重要手段，通过信息系统的固化，使业务被数据化，而且非常有效地实现了业务信息数据流转与共享，使数据成为企业的公共资源/资产，并让业务过程透明化（被监控、被考核、被推动）成为可能，因此通过流程优化与流程固化，实现了“业务数据化”和“数据公共化”，也为“数据业务化”奠定了基础。数字化时代的到来，特别是云计算、物联网、移动互联、大数据、AI、图像识别、语音识别等新技术的蓬勃发展，是否能为企业流程带来更深入的变化？流程本身的优化与固化背后“人是流程的执行者”这个前提如果能被颠覆与改变，那么，就应该是“机器与人共同成为流程的执行者”，这就意味着流程在被优化、被固化后，能进一步被智能化。

“机器与人共同成为流程的执行者”最典型的就是机器人过程自动化（Robotic Process Automation ，RPA），RPA是将可定义、重复性高、有规则的应用软件操作实现自动化的软件工具，用于解放软件用户的重复性工作。RPA模仿重复单调但低价值的事务，提高操作灵活性，包括完成纸质文件录入、证件票据验证、从电子邮件和文档中提取数据、跨系统数据迁移、企业IT应用自动操作等，软件机器人能准确快速完成这些工作，能减少人工错误、确保零失误、提高效率、大幅度降低运营成本。目前已经有处理简单重复的发票会计机器人在财务对账流程中承担发票核对的流程环节、客服机器人在客户服务流程中承担常见问题回复的流程环节、人力资源机器人在人员招聘流程中承担简历初审的流程环节等。

此外，利用大数据和AI技术，实现流程中的分析判断与辅助决策，也是流程环节中重要的场景应用，例如销售流程中市场预测分析环节，以历史数据和外部市场数据为基础，建立数学模型进行分析预测；在采购流程中进行供应商选择，可以根据采购的历史数据和供应商评级数据，分析判断推荐最优的供应商；在物流运输流程中，通过对路线数据、气象数据的预测判断，推荐最优的物流路线等。

还有，利用物联网和视频、图像技术，实现对流程中位置的跟踪、识别、判断，例如4S店车辆维护调度流程，通过视频图像识别车辆车牌，用物联网定位车辆位置，通过扫描枪确定工作的当前进度；在大型水电施工管理流程中，通过物联网定位大型设备的施工位置和左右进度，通过5G定位施工面的轨迹从而分析施工的质量等。

因此，“机器与人共同成为流程的执行者”，就是要将流程从传统的数据传递，延伸到数据应用。这个数据应用包括通过机器人自动处理，也包括利用大数据和AI技术进行数据分析与决策建议，也包括利用物联网动态捕捉流程进度状态。总之，通过互联网新技术实现流程的自动化或智能化，其本质上就是让机器参与到流程中去干活。

 在以往的信息化建设中，通常流程固化到系统，更多是考虑通过流程实现数据的传递和共享（数据公共化），而数据的应用，通常不会在系统的流程功能中实现，而是建立统一的数据中心，将数据进行汇聚后，按照数据仓库技术进行整体的、综合的展现和应用。这确实是一个更专业的方式，在确保了数据数量、数据质量、数据完整性的基础上，基于应用场景做监控、分析、预测、判断，具有更高的整体性、全局性。但在实际应用中，对于数据仓库的需求，往往业务管理人员会认为完全是企业决策层的顶层应用，设计与实施中容易变成升级版的报表系统或仅仅高层领导用的看板系统，而具体的业务，往往会因为场景太小或与具体业务/流程结合太紧密而被忽略。因此，在数据仓库的建设中，专业分析往往缺乏场景（或认为场景太小）而成为建设的短板与遗憾，制约了数据深入应用给专业工作、具体业务流程带来的价值。

我理解流程智能化采用的技术仍然是云计算、物联网、移动互联、大数据、AI、图像识别、语音识别等新技术，其中用到的数据汇聚、数据交互、数据建模分析等方法、工具、平台，也是典型企业流程平台BPM和数据仓库（BW）用到的技术，当然物联网技术、图像识别、语音识别也被引入了。通过智能化流程来推进企业新技术与数据深化应用，这与传统通过数据仓库来进行数据深化应用的优势，首先是更加贴近具体的业务和业务流程，而且这些流程环节都是比较底层的四、五级流程中的环节，如识别发票、识别合同、扫描工单等，这些环节的新技术应用和数据应用，在具体业务点上能发挥效能，解决了传统数据仓库建设中缺乏具体业务场景的问题；其次是因为流程是业务管理的载体，并上接企业战略，又直接影响企业组织与绩效，通过流程与新技术的结合，能真正而具体的推动企业新技术下的数字化转型；第三是这些流程点上新技术的应用可多可少，可粗可细、可深可浅，让企业变革与数字化转型灵活度大、柔性高，易控制，内容丰简由人，让数字化转型效果更加具体、聚焦、可控。但是需要注意的是，这些新技术对流程点上创新效果效益与新技术投入的性价比，确应在具体实施中认真评估与选择。

流程中应用智能化相关技术应该包括机器代人和机器助人两类典型场景。

1）、机器代人的智能处理——主要解决效率问题。

机器代人的智能处理更多是RPA，即机器人流程自动化Robotic Process Automation，利用软件（机器人）技术来实现流程的自动化处理。这类的业务处理的基本特点是流程逻辑相对简单、判断条件相对刚性，流程事务责任不大，重复执行且工作量大的流程环节。常见的自动作业包括简历筛选、票据审核、订单传递、开具证明、订单核对等流程，这样的场景基本上可以直接通过软件程序预设业务规则与逻辑，即可自动完成业务流程。

机器代人的智能处理在企业流程中典型的应用包括四个方面：

（1）信息获取类：从文档、图片、视频、声音中提取数据，将非结构化文本转换为结构化数据进行保存，例如单据录入、文本扫描、视频检索等，典型场景下可以接收和处理来自其它自动化采集装置的批量数据。主要代替人工进行信息收集、录入与存储的工作。

（2）信息输出类：按照符合的条件，从专业系统中获得数据，基于模板自动形成文件，例如开具社保证明、开具收入证明、开具离职证明、开具发票、批量数据处理、典型报表汇总等，可以通过多种形式进行信息输出，如语音接收和输出的工作进度查询、情况播报、知识检索等。主要代替人工进行信息查询与回复。

（3）信息筛选类：基于数据进行对比形成Yes/NO的结论，例如简历筛选、票据单据核查、发票检查、资格初审、供货单核对、图像比对、费用稽核、不合格检查、不合规检查等。主要代替人工进行数据的基本判断。

（4）信息触发类：基于业务规则对数据进行动态监控和判断后，按照规则进行事件的触发，例如补货申请、订单发起、付款申请、员工资质认证、工单发起等。主要代替人工进行数据的监控后工作的推动。这其中也包括流程KPI的监控与预警。

2）、 机器助人的辅助决策——解决效率与效果的问题

机器助人的辅助决策主要应用到流程中的判断决策环节，例如要对工单、采购、晋升、招标结果、项目投资等流程的关键环节进行审批决策，这样的决策，一方面依赖显性的规则条件，另一方面也依赖对隐形风险的评估、判断、预测，因此，流程中这样的审批环节，是不能完全依靠规则来由机器自动完成，而是需要机器推送决策相关的信息，甚至分析与推演未来决策的结果，从而帮助审批者更加科学、快速的决策。

机器助人的辅助决策在企业流程中典型的应用包括三个方面

（1）信息汇总呈现类：按照预设的业务规则，将流程中审批决策环节需要的信息推送到决策者面前，通过列表或打勾的形式，将决策中的判断依据推送出来，例如人员晋升的审批，可以将人员的学历、资历、获奖、绩效等“硬条件”和360°评价等“软情况”都推送到决策者审批环节中，便于决策者进行综合判断，而不是再给HR部门打电话了解情况。同样，对于采购申请的批准环节，应该设定业务规则，推送当前需求、当前库存、费用、主要条款、供应商绩效等级等“软硬条件”让审批者去决策。信息呈现一方面解决审批者提高获取决策信息的效率，更重要的是将“硬条件”识别并定义出来，让各级决策者做增量的判断，而不是每级决策者从“零”开始判断，也是避免决策者由于硬性信息的忽略导致的“背锅”。

（2）信息分析建议：面对综合条件下的决策环节，尽管有各类信息，但决策者仍然无法评估决策的风险，例如对大宗资源的采购，大笔资金的投资相关流程中，更多外部信息的辅助，包括客户信用与回款的判断，对投资风险的预测，这就需要基于基本业务规则下，对特定维度的数据收集与建模分析，形成量化的分析结果来辅助决策，例如通过模型评估客户信用等级、通过模型评估投资风险形成红黄绿灯结论，从而提升决策的科学性和精准性，也降低决策者自身的决策风险。这其中也可以利用企业内大数据进行方案推荐，例如在采购供应商的选择中，可以基于企业内供应商服务、价格、质量等历史数据，对基本条件都合格的潜在供应商按照评估规则进行分析，推出机器推荐的供应商排序，供决策者参考。

（3）信息预测推演：面对更加复杂的决策环节，除了需要基本信息、分析信息，甚至需要基于大数据和人工智能技术进行预测推演，从而将更多影响决策的外部要素都纳入到决策体系中。例如对合同审批中，对交货时间的判断，可以结合近期气象预测数据分析气象对交货时间的风险；对批量原材料的采购审批可以基于市场需求预测进行销售量预测，从而推导销售计划、生产计划、采购计划的合理性。

将数字技术与管理优化结合、与流程优化与固化结合，让新技术通过企业具体的业务流程发挥出更大的价值，实现“机器与人共同成为流程的执行者”的目标，从而将人从繁琐的流程事务中释放出来产生更大的价值。

在企业数字化转型的流程梳理与系统落地的详细设计中，我提炼出“三自三智”的场景，这些场景应该都是企业中常见流程与业务处理。“三自三智”，是指在企业流程与系统固化中，实现流程的“自动触发”、“自动流转”、“自动关联”，“智能判断”、“智能处理”、“智能预测”的功能与效果。

（1）自动触发

通常典型流程，在流程发起中，或在业务处理中业务状态的改变，都是人为发起，例如发起供应商入库流程、发起投标申请流程、发起员工升职流程、发起项目进度变更流程等。

在流程智能化中，设立流程发起的规则，让流程自动触发，是IW中应该达到的效果。供应商的资质通过扫描比对和信息核查没有问题，就可以触发入库流程甚至直接入库；商机赢率达到75%并且客户没有历史问题与风险，就自动触发投标流程；工程验收没有通过并推迟二周再验收，就自动触发对工程进度计划的顺延，这些基于明确规则的流程发起或改变，流程智能化应该被自动触发。

 （2）自动流转

在流转流转中，通常会有大量的人为判断，确定流程是否到下一步，在流程智能化中，流程流转的每一步都可以设置规则，让数据按照规则确定流程向下流转。

在商机推动流程中，清晰的定义商机进阶的条件，从商机立项、商机投标、合同生成、项目立项的全过程，都基于商机进阶的条件规则判断数据系统自动流转，并没有异常，则不用干涉的流程流转；在供应商评估中，供应商没有因为质量原因扣分、货到验收，就自动流转到支付环节，待三单匹配后自动触发付款。

 （3）自动关联

流程中的信息，应该按照管理逻辑，将数据推送到其它业务中，或作为其它流程的触发的输入。

在商机推动流程中，商机赢率数据应动态关联到供应链需求预测、关联到财务作为资金调度的输入，甚至关联到人力资源，作为年度/季度人员招聘的输入条件；客户回款状态形成的客户信用动态评价信息，应关联到同一个客户下的商机风险判断流程作为输入。

 （4）智能判断——

智能判断是流程智能化的核心价值，对于流程中的判断节点，应该基于规则和模型，通过数据进行判断与辅助判断，使流程的走向能更加智能、科学和高效，其中不仅仅包含业务规则的数字化，也包括基于业务的逻辑数据模型进行分析。

在商机推进中，对客户资质、信用的智能判断；在供应链中，对供应商供货绩效、供应商业绩信用，对外包服务商的工程质量等，都可以基于固化的规则进行智能判断，对于复杂的判断，机器与数据难以基于业务规则进行判断，可以将信息进行适度的分析后进行推送，例如对于商机立项、项目投标、合同签署这些关键决策点上，系统自动将项目基本信息、预测的赢率、风险、利润测算等推送给决策者，帮助决策者决策。 

（5）智能处理

智能处理在流程智能化中体现为通过数据进行业务配对、查找、撒选，代替流转环节中需要通过大量手工进行的作业，这其中也包括RPA的技术实现场景。

在供应链的供应商选择的流程中，可以基于历史数据，自动查找规则下（价格最优/质量最稳/供货最快/综合最好）的推荐供应商；在销售投标流程中通常的资质收集节点，可以由系统自动按照招标文件的资质要求，在资质库中匹配合适的资质证书。智能处理不仅仅减少手工处理提高流程效率，更重要的是能为一些敏感的判断决策进行背书。 

（6）智能预测

智能处理在流程智能化中的高级应用，是在流转的关键环节基于历史数据与外部数据对业务趋势的推演，从而基于预测值进行流程环节中的判断、预警和处理。

在商机推进中，通过商机漏斗中的商机的赢率，在推演某下属机构的经营现金流，从而提出预警；在工程项目中，通过项目变更和关键节点数据的延迟（例如工程材料延迟到货），推演出项目其它节点的延期情况，从而从新建议启动项目验收流程、项目收款流程等；在供应链中，通过供应商历史送货时间推演预计到货时间，从而将提前预定时间延长。

在推进企业流程智能化体系中，识别具有可操作性的场景并通过信息技术的来实现是关键，流程智能化的典型场景识别与实施包括四个步骤。

第一步：在流程中识别典型场景，形成长名单。基于流程框架，从第三、四级流程入手进行梳理识别是一个比较合理的颗粒度，在机器代人类场景中，信息获取类更梳理有大量外部输入或输出的流程节点，以及流程判断规则及其简单的流程判断节点；在机器助人帮忙，重点梳理流程判断环节，对这些需要有一定数据输入后进行综合判断的节点。这些节点，可以按照上文中的分类形成长名单。

第二步：筛选长名单，形成短名单。对长名单的选择，是要除去一些输入输出不清晰、业务价值不明显、性价格不高、技术实现难度大的场景。①节点的输入输出是相对清晰的，特别是输入要有明确的数据可以采集；②节点的业务价值，要体现该流程业务在整个企业业务与管理中的关键性、重要性，紧迫性；③节点的性价比，要大致衡量一下该节点人工作用的频度，以及实现的难度与成本，例如每个月就投入一个人半小时做的事情，确要花费一百万来实现自动化，性价比就太低。④场景的实现难度，要在易获得的数据下，通过一定程度的规则建模实现，要考虑数据接入、转换的难度，以及业务规模建模的难度与效果。

第三步：梳理短名单中各场景的输入输出，并建立规则模型。确定短名单后，就基本上确定了需要实现的智能流程场景，当然，这个短名单的实现也可以分类、分批次的开展。确定的业务场景，需要进行业务设计，其中关键是详细梳理并定义输入数据项，并结合业务规则进行建模设计，当然，这样的设计可以先粗后细，先基于基本数据输入做简单业务规则下模型设计，然后在应用中逐步增加数据输入的类型与颗粒度的调整，并进行规则模型的优化，最终让辅助决策效果越来越接近实际的业务期望。

第四步：应用系统设计与实施。基于定义的输入数据和规则模型，通过软件系统功能，就能实现智能化流程的典型应用场景，这需要系统实施的过程。可以基于企业原有的应用系统增强开发，也可以外挂与集成新的应用，通常做智能化流程的企业，信息化基础都应该比较好，相应流程通过都已经有应用系统支撑，因此，可以根据实现的难度，以及对企业架构影响程度进行评估，从而确定是在原有应用中系统增强开发，还是新建系统进行集成外挂。