目录
AI Process Mining / Task Mining / Workflow Intelligence Playbook
定位: 面向 AI BA / AI PM / Enterprise Architect / Solution Architect 的金融零售流程智能实战手册。
目标: 在自动化、Copilot、Agent、RPA 或流程重构之前, 先用事件日志、任务挖掘、BPMN 和价值证据看清真实工作流, 找到最值得 AI 介入、最能证明 ROI、最可控的流程机会。
核心观点: 不先做 process mining, AI automation 很容易把隐性低效、例外路径、合规风险和错误激励自动化放大。
重要说明: 本文是学习、作品集和内部治理训练材料, 不是法律意见、合规结论、审计意见或模型验证报告。正式项目必须由 Legal、Compliance、Risk、Model Risk、Internal Audit、Security、Privacy、Data Owner、Business Owner 和管理层结合机构类型、司法辖区、业务用途、客户影响和内部政策确认。
Source Anchors
这些来源作为学习锚点。本文把它们转成 AI BA / PM / Architect 的可执行语言, 不把任何学术或治理框架简化成单一工具采购清单。
1. 一句话定位
Process mining 不是 BI 报表, 也不是画流程图。它是用系统事件日志还原真实流程行为, 发现流程实际怎么跑、哪里偏离设计、哪里堵塞、哪些变体消耗最多、哪些例外路径导致风险和成本。
Task mining 不是监控员工。它是在严格授权、最小化采集、脱敏和治理边界内, 理解桌面层面的重复操作、复制粘贴、窗口切换、表单录入和人工补救动作, 用于补齐系统日志看不到的工作事实。
Workflow intelligence 是两者再加上 BPMN、流程指标、风险控制、AI opportunity discovery 和 ROI evidence:
Workflow Intelligence =
event logs + task telemetry + BPMN + conformance + bottleneck / variant analysis
+ baseline metrics + exception paths + AI opportunity scoring
+ privacy / risk controls + ROI evidence + Value Office portfolio governance
对 AI BA / PM / Architect 来说, 这是一种从“我觉得可以自动化”升级到“我能证明这里值得 AI 介入, 并能解释风险、收益和控制”的工作方式。
2. 为什么 AI 自动化之前必须先做 Process Mining
很多 AI 项目失败不是因为模型能力不够, 而是因为团队没有看清流程事实:
以为主流程占 80%, 实际主流程只覆盖 35%, 其余都是变体和例外。
以为审批慢是人手不足, 实际瓶颈是资料缺失、系统等待、重复补件和跨部门退回。
以为 Copilot 能节省时间, 实际用户时间花在查多个系统、等上游状态、解释规则冲突。
以为自动化能降低风险, 实际把错误路径、绕行做法和薄弱控制规模化。
以为 KPI 是平均处理时长, 实际客户和监管关心的是端到端周期、错误率、重开率、升级率和证据完整性。
2.1 AI 自动化的三类前置问题
前置问题 如果不回答 Process mining 能提供什么 真实流程是什么 自动化的是 PPT 流程, 不是生产流程 Discovered model、variant map、case paths、event frequency 价值在哪里 AI use case 只能靠主观 business case Baseline cycle time、touch time、waiting time、rework、volume、cost 风险在哪里 AI 可能越权、漏控、误导人工 Deviations、policy breach、maker-checker gap、exception path、control evidence
2.2 先挖流程, 再决定是否上 AI
发现 最适合的动作 不一定需要 AI 的情况 高等待时间来自队列和 SLA 断点 队列路由、优先级、容量调整、SLA 管理 等待不是知识判断问题 高返工来自字段缺失和资料质量 表单校验、上游数据质量、客户提醒 规则清楚、结构化数据充足 高人工时间来自证据收集和摘要 RAG、case summarization、policy assistant 必须保留人工判断边界 高偏离来自政策不清或本地绕行 流程治理、政策简化、权限修复 AI 会把绕行合理化 高异常来自多系统复制粘贴 API 集成、RPA、task automation、agent tool use 系统集成比 LLM 更直接 高错误来自复杂判断和例外解释 Decision support、next-best-action、human oversight 最终决定仍需授权人员
一句话:
Process mining tells you whether AI is the right intervention, where it belongs in the workflow, how to measure the baseline, and what controls must exist before scale.
3. 概念地图
概念 简明定义 AI BA / PM / Architect 视角 Case 一个流程实例, 如一个 AML alert、一个 KYC application、一个 dispute case 明确分析粒度, 避免把客户、交易、工单、申请混为一谈 Event 某个 case 在某个时间发生的活动记录 是流程事实的最小单位 Activity 业务活动名称, 如 Alert Created、Analyst Review、Request Document 需要做标准化和语义映射 Timestamp 事件时间, 可分 start / complete / update / due 决定周期、等待和瓶颈分析是否可信 Resource 执行动作的人、系统、队列、团队或机器人 用于组织视角、handoff 和 workload 分析 Variant 多个 case 共享的一条路径模式 用于识别主路径、长尾、异常、重工 Conformance 真实日志与参考流程或政策流程的贴合程度 用于合规、审计、控制和流程治理 Bottleneck 导致等待、返工、积压、SLA breach 的节点或边 用于找 AI 或非 AI 改进点 Task mining 从桌面交互和用户操作中发现任务步骤 补齐系统日志之外的人工工作 Workflow intelligence 流程事实 + 任务事实 + 业务指标 + AI 机会 + 风险控制 AI 转型组合管理的事实底座
4. 事件日志 Event Log 基础
Process mining 的入口不是流程图, 而是事件日志。一个可挖掘的事件日志至少要能回答:
哪个 case?
发生了什么 activity?
什么时候发生?
由谁或哪个系统执行?
相关业务属性是什么?
4.1 最小字段
字段 示例 说明 常见问题 case_id AML-2026-000391 流程实例唯一标识 一个业务事件跨多个系统没有统一 ID activity Analyst Review Started 标准化活动名 同义词太多: review / check / assess timestamp 2026-06-29T13:45:12Z 事件发生时间 时区不一致、只记录日期、不记录开始时间 lifecycle start / complete / suspend / resume 活动生命周期 只有完成时间, 无法算 touch time resource analyst_124 / queue_L2 / case_system 执行者或资源 只记录系统账号, 看不到团队或角色 channel branch / mobile / call center / back office 入口或处理渠道 渠道字段缺失导致变体解释困难 status pending_docs / escalated / closed 状态 状态更新不等于业务活动 outcome approved / rejected / filed_sar / refund_issued 结果 outcome 与 case close 混淆 amount / risk_score / product 5000 USD / high / credit_card 业务属性 敏感字段需最小化、脱敏、授权
4.2 金融零售常见日志来源
领域 可能来源 可提取事件 AML transaction monitoring、case management、screening、SAR filing system alert generated、assigned、reviewed、escalated、closed、SAR filed KYC onboarding portal、CRM、document capture、screening、CDD/EDD workflow application submitted、doc requested、doc received、screening hit、approved Loan underwriting LOS、credit bureau integration、decision engine、document system application created、score pulled、stips requested、underwriter review、approved Payment dispute card dispute platform、payment switch、merchant portal、case management dispute opened、evidence requested、chargeback filed、representment、resolved Customer service contact center、CRM、knowledge base、ticketing、chatbot logs contact started、intent classified、agent assist used、ticket created、resolved
4.3 事件日志建模原则
原则 好做法 坏信号 明确 case 粒度 AML 用 alert / investigation case, KYC 用 application, dispute 用 dispute case 一个客户下多个申请被合并分析 活动名标准化 用业务可理解的 verb + object 系统状态码直接当 activity 时间语义清楚 区分 created、started、completed、due、paused 所有时间都叫 update_time 资源可解释 映射到角色、团队、队列和系统 只有技术账号或空值 保留上下文 加入风险等级、产品、渠道、地区、金额段 只有流程步骤, 无法解释差异 数据最小化 只取分析所需字段, 敏感字段脱敏或分桶 把全量 PII 导入分析环境 可追溯 记录来源系统、抽取规则、版本、时间窗口 分析结果无法复现
4.4 从原始日志到分析日志
阶段 关键动作 产物 Source inventory 梳理系统、表、API、日志、owner、数据分类 Event source catalog Case correlation 建立跨系统 case_id 映射 Case correlation rule Activity mapping 将状态码、按钮动作、事件类型映射为业务活动 Activity dictionary Timestamp normalization 统一时区、精度、生命周期 Timestamp policy Attribute selection 选择风险、金额、渠道、产品、地区、队列等维度 Attribute schema Quality profiling 检查缺失、重复、乱序、异常时间 Event log quality report Privacy control 脱敏、分桶、tokenization、访问控制 Privacy and access evidence
5. Process Discovery: 发现真实流程
Process discovery 是从事件日志生成流程模型。它不假设现有 SOP 正确, 而是让日志展示真实路径。
5.1 Discovery 输出应该看什么
输出 问题 AI 机会线索 主流程路径 最常见路径是什么, 覆盖多少 case 高覆盖路径适合标准化、低风险自动化 变体数量 多少路径解释 80% case 变体过多时先治理流程, 不急着上 AI 循环和返工 哪些活动反复发生 文档缺失、规则冲突、证据不足、系统失败 跳过步骤 哪些控制被绕过 合规、权限、政策执行风险 并行路径 哪些步骤可并行, 哪些实际串行 流程重排或 agent orchestration 机会 Handoff 哪些团队之间交接频繁 AI routing、summary handoff、队列优化 结束状态 closed、approved、rejected、withdrawn、filed、abandoned outcome 质量和 customer impact
5.2 Discovery 不等于“自动生成正确 BPMN”
发现模型通常存在三类张力:
张力 含义 处理方式 Fitness 模型能覆盖多少真实日志行为 低 fitness 说明模型太简化或日志有问题 Precision 模型是否过度允许未发生路径 低 precision 说明模型太宽松, 不适合治理 Simplicity 模型是否可被业务理解 过度复杂的模型不利于沟通和决策
AI BA 的任务不是把所有路径画出来, 而是把 discovery 结果转成可讨论的流程事实:
哪些路径是标准路径。
哪些路径是可接受例外。
哪些路径是高风险偏离。
哪些路径是数据质量噪声。
哪些路径代表真实工作绕行。
5.3 Discovery 工作坊议程
时间 议题 参与者 输出 15 分钟 说明数据范围、时间窗口、case 定义 BA、PM、process owner、data owner Scope agreement 30 分钟 展示 top variants 和主路径覆盖率 BA、ops lead、frontline SME Variant interpretation 30 分钟 标记可接受例外、不可接受偏离、噪声 Risk、compliance、ops、SME Exception classification 30 分钟 识别瓶颈、返工、handoff、等待 BA、PM、architect Improvement hypothesis 30 分钟 提出 AI / non-AI 机会并初步排序 PM、architect、Value Office Opportunity shortlist
Conformance checking 是把真实事件日志与参考流程、政策流程、BPMN 模型、控制要求或 SLA 进行比较。它回答:
现实是否按设计执行?
设计是否符合现实需要?
哪些偏离可接受?
哪些偏离构成风险?
Reference model 对账内容 示例 SOP / operating procedure 步骤顺序、角色、必填证据 KYC 必须先完成 sanctions screening 再 approve BPMN reference process 网关、分支、事件、补偿路径 Payment dispute 在证据缺失时必须 request evidence Risk policy 风险等级对应的处理动作 高风险 AML alert 必须 L2 review Control requirement maker-checker、segregation of duties、dual approval 贷款例外审批不能由同一人提交和批准 SLA / regulatory deadline 时限和升级规则 dispute case 超过 X 天必须升级 Model governance rule AI 输出使用边界 AI 可草拟 narrative, 不可自动关闭 AML case
指标 含义 用法 Fitness 参考模型覆盖日志的程度 判断模型是否描述了现实 Deviations count 偏离次数 找高频违规或流程绕行 Deviation severity 偏离严重性 区分低影响顺序差异和重大控制缺失 Missing mandatory activity 必要活动缺失 审计、合规、控制测试 Unexpected activity 出现模型外活动 发现影子流程、人工补救、系统绕行 SLA breach rate 超时比例 用于客户体验、监管和运营管理 Rework rate 重复活动比例 用于质量改进和 AI 证据辅助 Four-eyes breach 双人原则或职责分离违反 用于金融控制
6.3 偏离分类
类型 示例 处理 Data noise 日志乱序、重复记录、缺失完成时间 修正抽取规则, 不直接归责业务 Accepted exception VIP channel、法定假期、系统维护 写入 exception catalog 和 BPMN exception path Policy gap SOP 未覆盖真实业务场景 更新政策或设计明确例外 Control breach 高风险 case 未二审 风险事件、根因分析、控制修复 Workaround 员工绕过系统到 Excel 处理 流程和系统能力缺口, 可能是 AI / automation 机会 Local variation 分行、国家、产品线做法不同 判断是否标准化或保留本地规则
AI 用途 Conformance 问题 控制设计 AML narrative drafting AI 草稿是否只基于已收集证据 citation、evidence completeness、review approval KYC document assistant AI 是否在 screening 前建议通过 decision boundary、state gating Loan copilot AI 是否越权给出批准结论 role-based output restriction、human decision log Dispute assistant AI 是否漏掉时限和证据步骤 SLA-aware workflow guardrails Customer service copilot AI 是否建议违反政策的补偿 policy conformance eval、escalation trigger
7. Bottleneck / Variant Analysis: 从平均值走向路径级事实
平均处理时长经常误导。流程智能要分析“哪类 case 走哪条路径, 在哪里等待, 为什么返工, 最终结果如何”。
7.1 基础指标
指标 定义 典型解释 Cycle time case 从开始到结束的总时长 客户体验、监管时限、运营效率 Touch time 人或系统实际处理时间 AI 辅助和自动化可影响的部分 Waiting time 等待队列、客户、上游、外部方的时间 流程治理、SLA、路由更有效 Throughput 单位时间完成 case 数 容量规划 Work in progress 未完成 case 存量 积压和风险暴露 Rework rate 重复活动或退回比例 质量、资料缺失、规则不清 Handoff count 团队、队列、角色切换次数 交接成本和信息损失 SLA breach rate 超过目标时限比例 管理和监管关注 First pass yield 一次通过比例 上游质量和流程清晰度 Exception rate 进入例外路径比例 风险和复杂度
7.2 Variant 分析
Variant 问题 示例 决策含义 Top 1 variant 覆盖率低 最常见路径只占 18% 流程高度碎片化, 先做分群和标准化 长尾 variant 消耗高 10% case 占 45% 处理时间 AI 可能用于复杂 case summary / next action 高价值客户 variant 慢 财富客户 KYC 周期更长 可能有 EDD 或人工定制流程, 需区分合理复杂和低效 某地区 variant 偏离多 某州 dispute case 退回率高 本地政策、培训或系统配置问题 某产品 variant 风险高 信用卡争议证据缺失多 需要产品特定资料清单和 agent assist
7.3 瓶颈诊断矩阵
现象 可能根因 AI 是否适合 更优先动作 队列等待长 人力不足、优先级错误、handoff 太多 适合做 triage / routing 辅助 队列规则、容量模型、SLA redesign 人工处理长 证据分散、政策复杂、摘要耗时 适合 Copilot / RAG / summarization Evidence view、policy retrieval、drafting 返工高 输入资料缺失、校验弱、规则不一致 适合缺失资料检测和客户提醒 上游校验、动态 checklist 退回多 审批标准不一致、培训不足 适合 quality assistant 和 reviewer calibration 政策澄清、样本复盘 超时集中在外部等待 客户、商户、第三方回复慢 AI 只能辅助提醒和预测 SLA notice、auto-reminder、external portal 控制跳过 系统未强制、权限过宽、绕行 AI 不应先介入 修权限、强制网关、审计监控
8. Task Mining 与桌面遥测边界
Process mining 看系统日志, task mining 看人在桌面上如何完成工作。它可以发现复制粘贴、窗口切换、手工录入、查多个系统、下载上传、手动比对等低层任务。
但金融零售里的 task mining 必须非常克制。它不是员工监控项目, 也不是绩效考核工具。
8.1 Task mining 能补齐什么
系统日志看不到 Task mining 可能看到 AI / automation 线索 员工查了哪些系统 应用切换、页面访问、搜索路径 统一 case workspace、RAG 资料如何从文档搬到系统 复制粘贴、OCR、表单录入 Document AI、field extraction、validation 判断前做了哪些人工核对 对照政策、比对历史 case Copilot checklist、policy assistant 哪些任务重复但系统未记录 Excel 计算、邮件追踪、截图保存 Workflow automation、API integration 何处发生认知负担 多窗口、多字段、多规则 UI redesign、agent assist
8.2 桌面遥测边界
维度 可接受做法 不可接受做法 目的 明确为流程改进、系统设计、自动化机会发现 以流程改进为名做个人绩效监控 告知与授权 清楚说明采集范围、用途、保留期、访问人 静默采集或模糊同意 数据最小化 采集应用名、任务类别、时间段、事件类别 默认录屏、键盘记录、全量文本 敏感信息 遮蔽 PII、账号、卡号、健康、信用信息 捕获客户完整资料或凭证 聚合分析 以流程、角色、队列聚合 公开比较个人排名 访问控制 限定 BA / process excellence / privacy-approved team 让直属经理随意查看个人细节 保留期 短周期分析后删除或聚合 长期保留原始桌面数据 例外处理 高敏系统默认排除或白名单 所有应用无差别采集
8.3 Task mining 适合与不适合
场景 适合度 说明 Back-office repetitive case handling 高 多系统、多文档、多表单, 适合发现自动化机会 AML / KYC evidence gathering 中高 需强隐私和合规边界, 可观察任务类型而非内容 Contact center after-call work 中高 可发现 ACW、知识搜索和工单录入问题 高敏信贷决策详情 中 可观察流程步骤, 决策内容需最小化 员工绩效争议 低 不应把 task mining 当 HR 监控工具 客户屏幕共享或录音文本 高风险 需单独同意、脱敏、政策和法律审查
9. AI Opportunity Discovery: 从流程事实到 AI 机会
AI 机会不应来自“哪个部门想试 LLM”, 而应来自流程证据。
9.1 AI 机会类型
机会类型 流程证据 AI 介入方式 风险边界 Evidence gathering 多系统查询、证据缺失、处理时间长 Retrieval、case evidence pack、document extraction 不生成未证实事实 Case summarization Handoff 多、复核耗时、case 历史长 Timeline summary、decision-ready brief 必须引用来源和缺失项 Policy guidance 返工高、地区差异、政策复杂 Policy RAG、next-step assistant 不替代合规判断 Triage / routing 队列等待长、错分多、升级迟 Classification、priority recommendation 保留人工 override 和抽样复核 Drafting 客户回复、SAR narrative、credit memo 草稿耗时 Draft generation with evidence 禁止自动发送或提交高风险材料 Exception detection 偏离路径、控制缺失、SLA breach Anomaly detection、process guardrail 不能把异常都当违规 Agentic workflow 多系统重复动作、状态推进清晰 Bounded tool-use agent 工具权限、审批、回滚和日志必须先设计 Coaching / quality Reviewer 差异大、错误原因集中 Review checklist、calibration assistant 避免对个人做黑箱评分
9.2 AI 机会评分表
维度 问题 评分证据 Flow volume 该流程或变体的 case 量是否足够 case count、monthly volume Pain concentration 痛点是否集中在少数步骤 bottleneck、rework、waiting distribution AI fit 痛点是否涉及语言、证据、分类、总结、判断辅助 task breakdown、SME review Control feasibility 是否能设置 human oversight、工具边界、审计日志 risk tier、architecture spike Data readiness 证据、政策、历史 case 是否可访问且质量可控 source inventory、data quality Value measurability 能否建立 baseline、target、finance sign-off metric definition、cost model Adoption realism 用户是否愿意在工作流中使用 workflow insertion point、manager cadence Reuse potential 是否能复用到多个流程 pattern similarity、platform capability Risk exposure 客户、资金、合规、隐私影响 NIST RMF mapping、risk owner input
9.3 从流程问题到 intervention
流程问题 先问 可能 intervention “处理太慢” 慢在等待还是 touch time Queue redesign、AI summary、capacity plan “错误太多” 错误来自输入、判断、政策还是系统 Validation、checklist、policy RAG、training “成本太高” 成本来自高频简单还是低频复杂 RPA / API、AI assistant、case deflection “客户体验差” 客户等待、重复提交还是回答不一致 Proactive status、doc checklist、service copilot “监管压力大” 缺证据、超时、控制跳过还是解释不一致 Conformance dashboard、audit pack、HITL “员工不采用” 插入点是否自然, 是否增加负担 UI redesign、workflow integration、manager rhythm
10. Baseline Metrics: AI 前的基线
没有 baseline, 就没有 ROI。Process mining 能把 AI 项目前的流程状态固化成证据。
10.1 Baseline 设计原则
原则 说明 先定义 case scope 不同产品、渠道、风险等级不可随意混算 同时看 volume 和 value 小量高风险 case 可能比大量低风险 case 更重要 分解 cycle time 区分等待、处理、返工、外部依赖 保留质量指标 不能只追求速度, 必须看错误、重开、升级、投诉 记录成本假设 人工成本、许可证、模型调用、复核、培训、支持 建立对照组 分阶段 rollout 时保留 control group 或 matched cohort 连接 finance 节省小时不等于财务收益, 需 finance challenge 和签字
10.2 基线指标模板
Metric Definition Segment Current baseline Target Owner Evidence source Monthly case volume 每月进入流程的 case 数 product / channel / risk tier 12,000 12,000 Ops case system Median cycle time case 从创建到关闭的中位时长 top variants 4.2 days 3.2 days Process owner event log P90 cycle time 90 分位端到端时长 high-risk cases 13.5 days 9.0 days Ops event log Touch time per case 人工实际处理分钟 analyst role 42 min 30 min Ops task mining / work sampling Waiting time 等待队列或外部方的时间 queue / external party 2.8 days 1.8 days Ops event log Rework rate 出现重复资料请求或退回的比例 channel 28% 18% BA event log SLA breach rate 超出目标时限比例 regulatory-sensitive 11% 5% Risk / Ops conformance Error / defect rate QA 或二审发现缺陷比例 team / case type 7.5% 4.0% Quality QA samples Reopen rate 关闭后重新打开比例 outcome 6% 3% Ops case system Escalation rate 升级到高级团队比例 risk tier 18% 15% Risk workflow system Adoption rate 目标用户在合格场景使用 AI 的比例 role 0% 70% PM product telemetry Override rate 人工修改或拒绝 AI 建议比例 output type 0% monitored PM / Risk AI audit log
10.3 指标防误读
错误指标 为什么危险 更好的组合 平均处理时长下降 可能只是简单 case 变多 median + P90 + segment mix AI 使用次数上升 使用不代表有价值 usage + accepted output + quality + cycle time 节省小时数 可能没有变成预算或容量释放 finance-recognized savings + redeployed capacity 自动化率 高风险场景自动化率越高不一定越好 automation rate + control breach + override 准确率 不同错误严重性不同 severity-weighted defects + hard-stop failures
11. Exception Paths: 把例外路径设计成一等公民
金融零售流程不是只有 happy path。AI 系统最容易在例外路径出错, 因为例外路径常常低频、高风险、跨团队、证据不完整。
11.1 例外路径分类
类别 示例 AI 设计含义 Missing information KYC 证件缺失、贷款收入证明缺失 AI 可识别缺口和生成客户请求, 不可假设补齐 Conflicting evidence 客户声明与交易行为不一致 AI 要标记冲突并升级 High-risk escalation AML 高风险、PEP、sanctions partial hit 强制人工复核和审批 System failure bureau timeout、payment gateway unavailable 需要 fallback path 和重试策略 Customer vulnerability 老年客户、受欺诈风险客户、投诉升级 AI 输出需更强人工和语气控制 Regulatory deadline dispute / AML / complaint 时限将到期 SLA-aware alerts 和优先级路由 Manual override 员工覆盖系统建议 需要 reason code、审计和抽样复核 Out-of-policy request 客户要求例外补偿或绕过规则 AI 必须引用政策并升级
11.2 Exception catalog 模板
Exception Trigger signal Required action AI allowed? AI prohibited Owner Evidence Sanctions partial hit screening match_score > threshold L2 review, do not approve summarize match evidence clear customer automatically Compliance Ops screening log Missing identity document required_doc missing after submission request doc and pause SLA draft request and checklist mark KYC complete KYC Ops doc system Merchant evidence overdue no evidence by due date escalate or proceed by scheme rule remind, summarize timeline invent merchant reason Dispute Ops dispute platform Credit exception pricing loan approved with policy exception senior approval explain policy delta approve exception Credit Risk LOS approval log
11.3 例外路径进入 BPMN 和 eval
每个高风险 AI use case 至少要把 top exceptions 写进:
BPMN boundary event / error event / escalation path。
Requirements-to-Eval test cases。
Human oversight matrix。
Incident runbook。
Audit evidence schema。
Monitoring dashboard。
12. BPMN + Process Mining: 让模型与事实互相校准
BPMN 适合表达业务认可的目标流程, process mining 适合展示实际执行的流程。两者要一起用。
12.1 三种模型
模型 来源 作用 风险 AS-IS documented BPMN 访谈、SOP、现有流程图 表达组织认为流程如何运行 可能是 fiction Discovered model event log 表达实际流程如何运行 可能受日志质量和算法影响 TO-BE BPMN 改进设计、AI 插入点、控制要求 表达未来流程、角色和系统边界 如果无 baseline 和 adoption, 容易变成愿望
12.2 工作法
Step 动作 输出 1 画 AS-IS BPMN, 标注系统、角色、控制、SLA AS-IS reference model 2 抽取事件日志, 做 discovery Discovered process model 3 做 conformance checking Deviation report 4 与 SME 解释 top variants 和 exceptions Validated variant map 5 标注 AI opportunity insertion points AI opportunity BPMN 6 设计 TO-BE BPMN, 包含人工监督和失败路径 TO-BE model 7 定义 post-release monitoring 和 conformance dashboard Operating control dashboard
12.3 BPMN 标注建议
BPMN 元素 用法 AI / process mining 备注 Pool / Lane 客户、前台、后台、Risk、Compliance、系统、AI Assistant 明确责任和 handoff Task 人工任务、系统任务、AI 辅助任务 区分 AI draft、AI recommend、AI act Gateway 风险等级、资料完整性、政策分支 映射到 event attributes Boundary event 超时、资料缺失、系统错误 对应 exception paths Message event 客户补件、商户回复、外部 bureau 返回 用于等待时间分析 Data object 证据包、政策、case summary、audit log 明确 AI grounding source Escalation event 高风险、低置信、政策冲突 触发 human oversight Compensation 错误动作撤回、退款修正、状态回滚 Agentic workflow 必备
13. ROI Evidence: 从流程事实到价值证明
AI ROI 不能只写“节省 30% 时间”。要把流程 baseline、干预点、用户采用、质量变化、成本和风险一起证明。
13.1 ROI 证据链
Process baseline
-> improvement hypothesis
-> AI / non-AI intervention
-> pilot cohort and control cohort
-> adoption evidence
-> metric movement
-> quality and risk evidence
-> cost-to-serve
-> finance-recognized benefit
-> scale / stop decision
13.2 收益类型
收益类型 示例 证据 Hard savings 外包审核量减少、加班减少、许可证替换 budget line、vendor invoice、headcount redeployment Capacity release 同样团队处理更多 case throughput、WIP、backlog trend Cycle time reduction KYC 从 5 天降到 3 天 event log before / after Quality improvement QA 缺陷率下降 QA sample、severity-weighted defect Risk reduction SLA breach、control breach、late filing 降低 conformance dashboard、risk sign-off Revenue / conversion onboarding 放弃率下降、贷款转化提升 funnel data、cohort analysis Customer experience 投诉减少、FCR 提升 complaint log、contact center metrics Audit readiness 证据包完整、复盘更快 audit sample、case trace completeness
13.3 成本类型
成本 示例 Build cost data engineering、integration、UI、eval、security review Run cost model tokens、tool calls、infra、license、monitoring Human review cost 复核、抽样、升级、校准、QA Change cost 培训、SOP 更新、manager cadence、support Risk control cost audit logging、retention、privacy review、red-team、incident response Opportunity cost 业务 SME 时间、平台团队容量
13.4 Value Office 连接
流程智能产物应该进入 AI Transformation Value Office 的组合治理:
Workflow intelligence output Value Office 用法 Process baseline Benefits register 的 baseline 字段 Variant / bottleneck report Use case prioritization 和 discovery memo AI opportunity score Portfolio scoring 和 funding gate Risk / exception map Risk tier 和 release gate ROI evidence pack Monthly value review 和 finance sign-off Conformance dashboard Scale decision 和 operating review Post-release process mining Stop / scale / redesign decision
14. Privacy, Security, and Governance Concerns
流程智能处理的是行为数据、客户数据、员工操作和业务风险数据。它必须从第一天就有治理边界。
14.1 关键风险
风险 表现 控制 客户隐私泄露 PII、交易、信用、身份资料进入分析环境 data minimization、masking、tokenization、access control 员工监控滥用 task mining 被用于个人绩效和惩罚 purpose limitation、aggregation、worker notice、HR boundary 数据越权 分析团队看到不该看的客户或员工信息 RBAC、segregated environment、approval workflow 推断风险 即使脱敏也能重识别高净值或特殊客户 k-anonymity-style aggregation、small-cell suppression 模型训练滥用 将事件日志或桌面内容用于未经授权的模型训练 explicit prohibition、vendor contract、data use register 审计不可复现 数据抽取、清洗、映射规则无版本 lineage、versioned pipeline、reproducible report 决策误用 将 exploratory mining 结果当成个人或团队责任 governance note、SME validation、causal caution
14.2 NIST AI RMF 映射
RMF Function Workflow intelligence 问题 证据 Govern 谁批准采集、访问、保留、用途和输出使用 data governance approval、RACI、privacy review Map 哪些流程、角色、客户、风险和伤害路径被影响 use case canvas、data map、harm scenario Measure 如何测量流程发现质量、隐私风险、AI 机会风险 log quality report、bias / segment analysis、risk score Manage 如何限制、监控、复核、停止和改进 access review、incident runbook、retention deletion proof
14.3 桌面遥测红线
以下做法在金融零售中应默认禁止或需要极高级别审批:
采集密码、凭证、完整卡号、完整 SSN / 身份证、健康信息、私人通讯。
未告知员工就启用录屏、键盘记录、剪贴板记录。
将个人级 task mining 数据交给直属经理做绩效排名。
将原始桌面内容发送给外部 AI 模型用于训练或调试。
长期保留可重识别员工和客户的原始操作记录。
用 task mining 结果直接推断员工动机、能力或合规意图。
15. 金融零售案例
15.1 AML Alert Lifecycle
流程范围
Alert generated -> queue assignment -> analyst review -> evidence gathering
-> disposition / escalation -> L2 review -> SAR decision -> closure / filing
分析对象 典型事件 关键指标 Alert case alert_created、assigned、review_started、evidence_added、escalated、closed、sar_filed cycle time、aging、escalation rate、SAR conversion、quality defects Evidence task transaction queried、customer profile opened、negative news checked touch time、system switching、missing evidence Control L2 review、SAR approval、closure reason mandatory step conformance、segregation of duties
常见发现
发现 解释 AI 机会 低风险 alert 占量大但关闭快 可标准化, 但仍需模型风险和合规边界 Evidence prefill、similar-case retrieval 高风险 case 等待 L2 时间长 专家瓶颈 Priority routing、case summary narrative 返工高 证据引用不完整或理由不一致 Draft narrative with citations 多次 evidence gathering 数据分散 AML evidence pack 某类 alert SAR conversion 极低 规则噪声或阈值问题 Alert tuning analysis, not only LLM
不应自动化的边界
AI 不应自动关闭高风险 alert。
AI 不应做最终 SAR filing 决策。
AI 不应编造交易动机或客户解释。
AI 可做证据整理、时间线、政策提示、相似案例检索和草稿, 但必须有人工复核。
15.2 KYC Onboarding
流程范围
Application submitted -> identity verification -> document review
-> screening -> CDD / EDD -> remediation -> approval / rejection
分析对象 典型事件 关键指标 Application submitted、doc_requested、doc_received、screening_completed、approved conversion、abandonment、cycle time Remediation request_sent、customer_responded、resubmitted、rejected repeat request rate、customer waiting Risk review PEP hit、sanctions partial hit、EDD review escalation rate、conformance
常见发现与 AI 机会
发现 可能根因 AI / non-AI 动作 客户重复补件 清单不清、资料质量低 Dynamic checklist、document quality detection EDD case 周期长 证据收集和政策判断复杂 EDD evidence summary、policy assistant Screening hit 处理差异大 本地解释不同 Reviewer guide、calibration samples 手机渠道放弃率高 UX 和资料上传摩擦 Mobile form redesign、proactive guidance 审批前缺少必经 screening 系统网关弱 Hard control gate, not AI
ROI 证据
KYC median / P90 cycle time。
Abandonment rate。
Repeat document request rate。
Manual review minutes。
Screening hit false positive handling time。
Compliance defect rate。
15.3 Loan Underwriting
流程范围
Application created -> credit pull -> income / document verification
-> automated decision -> underwriter review -> stipulation -> approval / decline / counteroffer
分析对象 典型事件 关键指标 Loan application created、bureau_pulled、score_generated、underwriter_assigned、decisioned time-to-decision、conversion Stipulations stip_requested、stip_received、stip_cleared rework、customer waiting Exception approval exception_submitted、senior_approved policy conformance、four-eyes
AI 机会
机会 插入点 边界 Underwriting memo draft 人工 review 前 不给最终批准结论, 只总结证据和政策差异 Stipulation assistant 缺资料和条件项生成 不请求无政策依据资料 Policy comparison 例外审批前 引用当前政策版本 Fraud / inconsistency flag 文档和申请信息比对 只做 flag, 需要人工判断 Queue prioritization 按 SLA、客户价值、风险 避免歧视性特征和不透明排序
关键风险
信贷相关 AI 涉及公平性、可解释性、客户影响和模型风险。
AI 不能绕过 adverse action、policy exception、fair lending 等内部控制。
所有 AI 输出需要保留证据、版本和人工决策记录。
15.4 Payment Dispute
流程范围
Dispute opened -> eligibility check -> provisional credit decision
-> evidence request -> chargeback -> merchant response -> representment
-> final decision -> customer notification
分析对象 典型事件 关键指标 Dispute case opened、eligible_checked、evidence_requested、chargeback_filed、resolved cycle time、SLA breach、win rate Evidence customer_statement_received、merchant_docs_received missing evidence、waiting Scheme deadlines due_date_set、deadline_missed、escalated deadline conformance
常见发现与 AI 机会
发现 解释 AI / workflow 动作 超时集中在 merchant response 外部等待 Deadline-aware reminders、status transparency 客户说明质量差 表单引导不足 Guided intake、claim summarization 证据包不完整导致败诉 checklist 缺失 Evidence checklist assistant 员工查 scheme rule 时间长 规则复杂 Policy / scheme rule RAG 重开率高 通知不清或决定解释不足 Customer response draft with policy citations
自动化边界
AI 不应自动决定拒赔或退款, 除非业务、合规、规则引擎和审批边界明确允许。
AI 可辅助分类、证据清单、时限提醒、客户沟通草稿和 case timeline。
15.5 Customer Service
流程范围
Contact initiated -> authentication -> intent classification
-> knowledge search / account lookup -> resolution / ticket creation
-> after-call work -> follow-up
分析对象 典型事件 关键指标 Contact call_started、authenticated、intent_selected、resolved、transferred AHT、FCR、transfer rate Ticket ticket_created、assigned、updated、closed reopen、SLA、handoff Agent assist suggestion_shown、accepted、edited、rejected adoption、override、quality
AI 机会
机会 流程证据 控制 Real-time agent assist 知识搜索时间长、转接多 policy-grounded answer, no unauthorized promises After-call summary ACW 长、工单质量差 structured summary, agent review Intent routing 错分和转接高 human override, continuous calibration Next-best-action 重复查询和处理不一致 policy and eligibility checks Complaint escalation 投诉或脆弱客户识别不足 conservative escalation, audit trail
指标组合
AHT 不应单独优化, 必须与 FCR、投诉、错误承诺、转接率、客户满意度一起看。
如果 AI 降低 AHT 但提高重开率或投诉, ROI 不成立。
16. 架构视角
16.1 参考架构
Source systems
-> event extraction / CDC / API / logs
-> event normalization and activity mapping
-> privacy filter and tokenization
-> process mining workspace
-> discovery / conformance / bottleneck / variant analysis
-> opportunity and risk scoring
-> BPMN / requirements / eval / ROI artifacts
-> AI platform / workflow orchestration / monitoring
-> post-release process mining feedback loop
16.2 关键组件
组件 职责 架构关注点 Event ingestion 从业务系统抽取事件 增量、幂等、时区、schema version Case correlation 跨系统关联同一流程实例 ID 映射、冲突处理、lineage Activity dictionary 状态码到业务活动映射 业务可读、版本管理、SME approval Privacy filter 脱敏、分桶、最小化 数据分类、访问控制、审计 Process mining engine discovery、conformance、performance 可复现、参数记录、工具互操作 Task mining collector 桌面任务采样 告知授权、白名单、遮蔽 Workflow intelligence mart 指标和分析结果沉淀 数据产品化、指标口径 AI opportunity registry 机会、baseline、风险、ROI 连接 Value Office Monitoring loop 上线后持续对比流程变化 drift、SLA、控制偏离
16.3 与 AI 平台的连接
Workflow intelligence 发现 AI 平台能力 证据分散 RAG / retrieval / document indexing 多系统动作 Tool gateway / API orchestration 草稿和摘要 Prompt registry / eval / citation validation 高风险例外 Human oversight / approval workflow 流程偏离 Runtime guardrails / conformance monitoring ROI 追踪 Product telemetry / cost dashboard / adoption analytics
17. 角色分工 RACI
Activity Business Process Owner AI PM AI BA Architect Data Owner Privacy Risk / Compliance Ops Lead Value Office Select process scope A R R C C C C R C Define case and event schema C C A/R R A/R C C C I Approve data access C I C C A/R A/R C I I Build activity dictionary C I A/R C C I C R I Validate discovered process A C R C C I C R I Classify deviations A C R C C C A/R R I Identify AI opportunities A A/R R R C C C R C Define baseline and ROI A R R I C I C C A/R Design controls C C R A/R C C A/R C I Funding gate C R C C I C C I A/R Post-release monitoring A R R R C C C R C
18. Required Artifacts and Templates
18.1 Event Source Catalog
Source system Owner Process Case key Event table / API Data classification Refresh Access approval AML case platform AML Ops AML alert lifecycle alert_id case_events confidential daily Data Owner + Compliance KYC portal Onboarding Ops KYC onboarding application_id application_status_events confidential / PII hourly Data Owner + Privacy
18.2 Activity Dictionary
Raw event / status Standard activity Lifecycle Business meaning Include in model? Notes STS_204 Document Requested complete 系统或员工向客户请求资料 yes 与 reminder 区分 UPD_CASE Case Updated complete 泛化更新, 需结合字段解释 conditional 不能直接当活动
18.3 Log Quality Checklist
Check Pass criterion Issue handling case_id completeness 99%+ events have case_id 缺失事件剔除或关联修复 timestamp validity no impossible future / negative duration 修正时区或来源系统 activity mapping coverage 95%+ raw statuses mapped unmapped list 给 SME duplicate rate below agreed threshold 去重规则版本化 start / end coverage process entry and exit detectable 明确截断 case 处理 sensitive field review no unnecessary PII 脱敏或删除
18.4 Process Intelligence Brief
Section 内容 Process scope 流程、时间窗口、case 粒度、系统范围 Baseline volume、cycle time、touch time、quality、SLA、cost Top variants 前 10 条路径、覆盖率、周期、结果 Bottlenecks 最长等待、最高返工、最高 handoff Deviations policy / control / SLA 偏离及严重性 Exceptions 可接受例外、高风险例外、数据噪声 AI opportunities 机会、插入点、预期收益、风险边界 Non-AI fixes 流程、表单、权限、队列、数据质量修复 Recommendation pilot / redesign / stop / further data work
18.5 AI Opportunity Card
Field 内容 Opportunity name AML Evidence Pack Assistant Workflow point analyst review 前自动整理交易、客户、历史 case 证据 Process evidence evidence gathering touch time P75 = 38 min, high handoff variant 占 22% User L1 / L2 analyst AI behavior summarize evidence, cite sources, flag missing data Prohibited behavior auto-close alert, decide SAR, infer intent without evidence Baseline metric touch time, QA defect, escalation readiness Target metric touch time -20%, missing evidence defect -30% Risk controls citation, human review, audit log, eval set, access control ROI hypothesis capacity release and quality improvement Value Office gate discovery funded, pilot requires compliance sign-off
Finding Severity Evidence Business interpretation Action Owner High-risk KYC approved before EDD complete High 37 cases, variant V14, Jan-Mar 2026 Possible control gap or logging issue sample review, system gate check KYC Risk Dispute evidence request repeated 3+ times Medium 18% of debit card disputes customer friction and unclear checklist redesign intake checklist Dispute Ops
18.7 ROI Evidence Pack
Evidence Required? Source Baseline metric table yes event log / task mining / finance Pilot cohort definition yes PM / BA Control or comparison cohort recommended analytics Adoption telemetry yes product logs Quality and risk results yes QA / conformance / incidents Cost-to-serve yes platform / finance Finance sign-off yes for scale Value Office Scale / stop recommendation yes PM / Value Office
19. 30-Day Lab
目标: 用一个金融零售流程完成从日志到 AI 机会、BPMN、ROI 和面试作品集的闭环。建议选择 AML alert、KYC onboarding、loan underwriting、payment dispute 或 customer service 中的一个。
Week 1: Scope and Event Log
Day 任务 产出 1 选择流程, 定义业务问题、process owner、case 粒度 Process scope canvas 2 梳理 source systems、数据 owner、事件来源 Event source catalog 3 设计 event schema: case_id、activity、timestamp、resource、attributes Event schema v1 4 建立 activity dictionary, 映射状态码和业务活动 Activity dictionary 5 做日志质量检查: 缺失、重复、乱序、时区、敏感字段 Log quality report 6 画 AS-IS BPMN, 标注系统、角色、SLA、控制 AS-IS BPMN 7 写 Week 1 brief: 数据范围、质量限制、可分析性 Data readiness memo
Day 任务 产出 8 运行 process discovery 或手工从日志聚合路径 Discovered model 9 输出 top variants、覆盖率、周期和结果 Variant table 10 分析 bottleneck: waiting、touch、handoff、rework Bottleneck report 11 与 AS-IS BPMN 做 conformance checking Deviation report 12 分类 exception: accepted、risk、noise、workaround Exception catalog 13 与 SME 做验证工作坊, 修正解释 Validated findings 14 写 Week 2 brief: 流程事实和改进假设 Process intelligence brief
Week 3: AI Opportunity and Control Design
Day 任务 产出 15 从 bottleneck / variant / exception 生成机会清单 Opportunity backlog 16 区分 AI、RPA、API、流程治理、表单优化 Intervention matrix 17 选择 1 个 AI 机会, 写 opportunity card AI Opportunity Card 18 定义 baseline metrics 和 target metrics Baseline metric table 19 设计 human oversight、prohibited behavior、audit log Control design 20 画 TO-BE BPMN, 标注 AI 插入点和例外路径 TO-BE BPMN 21 按 NIST AI RMF 做风险映射 RMF mapping
Week 4: ROI, Value Office, Interview Package
Day 任务 产出 22 建立 ROI 模型: hard savings、capacity、quality、risk ROI model 23 定义 pilot cohort、control cohort、success / stop rule Pilot design 24 设计 adoption telemetry 和 post-release process monitoring Monitoring plan 25 准备 funding gate memo Discovery / pilot memo 26 连接 Value Office: benefits register、risk gate、scale decision Value Office handoff 27 做 5 页作品集展示: problem、evidence、AI design、risk、ROI Portfolio slides outline 28 写面试 STAR-T 案例 Interview story 29 自查隐私、控制、指标和证据缺口 Self-review 30 形成最终 playbook case study Case study package
30 天最终交付物
Artifact 验收标准 Process scope canvas case 粒度、流程边界、owner 清楚 Event source catalog 系统、字段、owner、数据分类完整 Activity dictionary raw event 到业务活动映射可解释 AS-IS / TO-BE BPMN 角色、系统、AI、例外、控制清楚 Variant and bottleneck report top variants、cycle time、waiting、rework 有数据 Conformance and exception report 偏离分类、严重性、owner 明确 AI Opportunity Card 行为、禁止行为、baseline、risk control 完整 ROI evidence pack baseline、target、cost、quality、finance 口径明确 Interview story 能 2 分钟讲清业务问题、方法、证据、结果和权衡
20. Interview Answers
Q1: 为什么 AI 自动化前要做 process mining?
30 秒版本:
因为 AI 自动化会放大流程现实。如果我们只基于访谈或 SOP 设计 AI, 很可能自动化的是理想流程, 而不是生产中的真实流程。Process mining 用事件日志还原真实路径、瓶颈、变体、返工和控制偏离, 帮我们判断哪里适合 AI、哪里应该先做流程治理或系统集成, 也提供 ROI baseline 和风险证据。
2 分钟版本:
我会先用事件日志定义 case、activity、timestamp、resource 和业务属性, 做 discovery 看真实流程, 再做 conformance 检查现实是否符合 SOP、SLA 和控制要求。然后用 bottleneck 和 variant analysis 找出高量、高耗时、高返工或高风险路径。只有当痛点确实来自证据整理、文本理解、分类、摘要、政策解释或受控工具操作时, 我才会建议 AI。否则可能优先做队列路由、表单校验、权限控制或 API 集成。这样 AI use case 有 baseline、有风险边界、有 finance 可认可的收益证据。
Q2: Event log 最少需要哪些字段?
30 秒版本:
至少需要 case_id、activity、timestamp, 最好再有 lifecycle、resource 和业务属性。case_id 表示流程实例, activity 表示发生的业务活动, timestamp 支撑顺序和周期分析, resource 和属性用于组织、变体、风险和瓶颈分析。
2 分钟版本:
我会先确认 case 粒度, 比如 AML 用 alert case, KYC 用 application, dispute 用 dispute case。然后把原始系统状态映射成业务活动, 统一时间语义和时区, 区分 started 和 completed, 并加入资源、队列、渠道、风险等级、产品、金额段等属性。金融场景还要做数据最小化和脱敏, 避免把不必要 PII 放入分析环境。最后要做 log quality report, 检查缺失、重复、乱序、活动映射覆盖率和敏感字段。
Q3: Process discovery 和 BPMN 有什么关系?
30 秒版本:
BPMN 表达组织设计或目标流程, process discovery 表达日志中真实发生的流程。两者结合可以发现现实与设计的差距, 并把改进后的 TO-BE 流程画成业务和技术都能理解的模型。
2 分钟版本:
我通常先画 AS-IS BPMN, 标注角色、系统、控制和 SLA。然后从日志生成 discovered model, 看 top variants、循环、返工和跳步。接着做 conformance, 找出哪些偏离是可接受例外, 哪些是控制风险, 哪些只是日志噪声。最后设计 TO-BE BPMN, 把 AI 插入点、人工复核、异常升级、rollback 和 audit log 全部画进去。这样 BPMN 不只是访谈产物, 而是被流程事实校准过的设计模型。
30 秒版本:
它能把真实执行与 SOP、政策、SLA 和控制要求对账, 找出跳过必经步骤、职责分离失败、超时、错误顺序和未授权路径。对金融 AI 来说, 这是 release gate 和审计证据的重要基础。
2 分钟版本:
例如 KYC 高风险客户必须完成 EDD 后才能 approve, AML 高风险 alert 必须 L2 review, 贷款例外审批必须 maker-checker。Conformance checking 可以识别日志中是否存在这些 mandatory activity 缺失、顺序错误或同人审批。它还能帮助区分 accepted exception、policy gap、control breach 和 data noise。AI 上线后, 我也会继续做 conformance monitoring, 确认 AI 没有诱导用户跳过控制或扩大错误路径。
Q5: Task mining 如何避免变成员工监控?
30 秒版本:
边界是目的限制、透明告知、数据最小化、敏感信息遮蔽、聚合分析和访问控制。Task mining 应用于流程改进和系统设计, 不应用于个人绩效排名或惩罚。
2 分钟版本:
我会先让 Privacy、Legal、HR、Risk 和业务 owner 明确采集目的、范围、保留期和访问人。采集上尽量记录应用切换、任务类型、窗口类别和时间段, 避免录屏、键盘记录、剪贴板全文和客户敏感内容。分析输出以角色、队列、流程段聚合, 不把个人数据给直属经理做排名。对于高敏系统, 使用白名单、遮蔽和短保留期。这样 task mining 才能补齐系统日志看不到的重复操作, 同时不越过员工隐私和信任边界。
Q6: 如何用 process mining 证明 AI ROI?
30 秒版本:
先用 process mining 建立 baseline, 再定义 pilot cohort、目标指标、对照组、adoption telemetry、质量和风险指标, 最后把节省、容量释放、质量改善和成本交给 finance challenge。没有 baseline 和质量控制的 ROI 不可信。
2 分钟版本:
我会把 ROI 证据链设计成: baseline -> hypothesis -> AI intervention -> pilot cohort -> adoption -> metric movement -> quality / risk evidence -> cost-to-serve -> finance sign-off。比如 AML evidence assistant 的 baseline 是 evidence gathering touch time、QA missing evidence defect、case cycle time 和 L2 readiness。Pilot 后看采用率、accepted summary、人工修改率、缺陷率、P90 cycle time 和 token / review cost。如果只是使用次数上升但质量下降或复核成本增加, 我不会建议 scale。
Q7: AML、KYC、贷款、支付争议和客服中, 哪些 AI 机会最现实?
30 秒版本:
最现实的是证据整理、摘要、政策检索、资料缺口检测、时限提醒、草稿生成和受控路由。最终高影响决策, 如 SAR、KYC 通过、贷款批准、拒赔或客户补偿, 通常需要保留人工授权和审计。
2 分钟版本:
AML 适合 evidence pack 和 narrative draft, 但不自动关案或决定 SAR。KYC 适合 document checklist、EDD summary 和 screening hit 辅助, 但不绕过 screening。贷款适合 memo draft、policy comparison 和 stipulation assistant, 但不自动批准。支付争议适合 evidence checklist、scheme rule RAG 和 deadline alert, 但谨慎处理退款和拒赔。客服适合 agent assist、after-call summary 和 intent routing, 但要控制错误承诺和隐私泄露。共同原则是 AI 支持人, 不偷换授权边界。
Q8: 如果 discovery 发现流程变体很多, 你会怎么做?
30 秒版本:
我不会直接自动化所有变体。先按 volume、cycle time、risk、outcome 和 business segment 分群, 区分合理例外、流程噪声、政策缺口和控制风险, 再选择高价值且可控的变体做 pilot。
2 分钟版本:
变体多可能代表产品、渠道和地区差异, 也可能代表流程失控。我的做法是先看 top variants 覆盖率和长尾消耗, 再与 SME 解释每条路径。对合理例外, 写入 exception catalog 和 BPMN。对数据噪声, 修日志。对控制偏离, 先修流程和权限。对高量重复变体, 才考虑 AI、RPA 或 API。这样可以避免把复杂度直接塞给模型, 造成不可控自动化。
21. Self-Check Rubric
Check Pass condition Process-first 文档明确说明 AI 自动化前必须先理解真实流程、baseline、例外和控制 Event log 覆盖 case_id、activity、timestamp、resource、attributes、quality 和 privacy Core mining methods 覆盖 discovery、conformance、bottleneck、variant、enhancement 思路 Task mining boundary 明确桌面遥测的用途、最小化、告知、脱敏、聚合和红线 AI opportunity 从流程证据生成 AI 机会, 区分 AI 与非 AI intervention Metrics 包含 baseline、quality、risk、adoption、cost 和 ROI 指标 Exception paths 把例外路径作为 BPMN、eval、oversight 和 monitoring 的一等对象 Financial retail 覆盖 AML、KYC、loan underwriting、payment dispute、customer service Governance 连接 NIST AI RMF、privacy、risk、Value Office 和 finance sign-off Practical assets 包含 artifacts、templates、30-day lab 和 interview answers
22. 结论
AI BA / PM / Architect 的成熟做法不是先问“这个流程能不能用 AI”, 而是先问:
真实流程是什么?
哪些路径最重要?
哪里等待、返工、偏离和失控?
哪些痛点适合 AI, 哪些应该先修流程或系统?
baseline 如何定义?
风险和例外如何控制?
ROI 如何被 finance 和业务 owner 共同认可?
上线后如何继续用日志证明流程变好了, 而不是只证明 AI 被使用了?
Process mining、task mining 和 workflow intelligence 的价值就在这里: 它们让 AI 转型从技术试验变成基于事实、流程、风险和价值证据的企业改造。