BUSINESS ANALYSIS RISINGANDREJ GUŠTIN

Do we all react in the same way?Influence of people's personality traits on process optimization

Andrej Guštin is a cofounder and CEO at CREApro, a leading Slovenian consulting company focused comprehensively on business process management and innovation.

Vice president of IIBA CHAPTER SLOVENIA since 2009

Overlooked information (eye tracking)

Case I.

Case background - story• In 2009, a young boy died in a hospital, due to a (potentially) operational mistake. • It was assumed, that the doctors overlooked some critical indicators in a Blood Lab Test 

(BLT) and did not react promptly. • Processes in hospitals were digitalized with deployment of EHR (electronic healthcare 

record) and HIS (hospital information system) some years ago and it seemed that GUI and UX might also be part of the operational risk.

Diagnostic process – From need to value• Need: how to read the document and get the information 100% correct. 

• Stakeholder: doctor, patient.• Context: dynamic and stressful working environment in the emergency 

department at hospital clinics.• Change: design is important for humans. • Solution: improved user experience  with better graphical design. • Value: decrease the average time needed to extract the information from the 

document and increase the reliability of human activities.

Blood Test Results – EHR and Paper copy exampleOriginal paper based BTR Digital presentaton of BTR 

Why we used Eye tracking?

• How we really see things?• Do we see them equaly?• What are the natural patterns of reading?• How can we take those facts into consideration ?

The experiment• In the first (top) scenario information was 

presented with a tabular view (like on the BLT), 

• In the second (bottom) scenario we redesigned the appearance to a more graphical, judicious view. 

• All test users got the same „problem description“ and performed the same procedure.

• During the test they were isolated, not to communicate with each other.

• 24 people were included in the experimental workflow.

The results

 

 

• Gaze plots shows a significant difference in both cases.

The results – average time and distribution curve

 

30s

 Source:  https://books.google.si/books/about/Uporaba_interaktivne_ve%C4%8Dpredstavnosti_v.html?id=zM4GmwEACAAJ&redir_esc=y

Customer behavior (predictive analytics)

Case II.

Case background – the story• Since economic crises in 2008, Slovenian banks 

have been deeply involved in the collection process due to the increased quantity and volume of overdue outstanding receivables. 

• Operational efficiency optimization led them to decrease the number of employees, so collectors were overloaded with tasks and documents.

Growth of non-performing loans

Decline in the number of employees

Recovery process – From need to value• Need: how to optimize collection process and increase the volume and amount of 

collected payments. • Stakeholder: back-office, customer service, call center, clerk, middle management• Context: economic situation, as described• Change: from human to machine decision making. • Solution: predictive model (R) for probability calculations. Selectively targeting the 

right debtors with the right collection strategies at the right time was proposed by the Solution and integrated processes. • Value: optimal allocation of resources to maximize the amount collected while 

minimizing collection costs.

15

Predictive Model Development

Model

Algorithems CursorsRules

Historical data Machine learning Result

New data for processing The calculation of probability for delayed payment

Result

Model

Deve

lopm

ent

Daily

 usa

ge 

What is the probability, that this Customer will be late with this payment? Probability!

Behaviour cursors for predictionsSome cursors, used in the model:x2:   The amount of the credit approved 

x9:   The total amount of remaining part of the credit

x10: The number of days from credit approval

x11: The number of days to payment maturity 

x13:  were the delayed receivables in the previous year paid

x14: The date of the first delay

x15: The amount of the first delay

x16: Late payments in the past year

x19: The maximum number of days of delay in payments in previous year

Main decision tree and key cursors with their weights

Results – graphical presentationThe graphs below present a distribution of 2 cursors from 192 observed cases. The left graph presents the result of the predicted model. Black dots are payments  that won‘t  be paid. The middle graph presents the same sample after the invoices were actually paid (or late). The right graph presents the difference. 

The model incorrectly predicted 3 cases out of 192, that is 1.5%.   

This is much better than the collectors can do, even knowing their customers well.

18

## Confusion Matrix and Statistics## ## Reference## Prediction default no-default## default 9 1## no-default 2 180## ## Accuracy : 0.984 ## 95% CI : (0.955, 0.997)## No Information Rate : 0.943 ## P-Value [Acc > NIR] : 0.0041 ## ## ## 'Positive' Class : default##

98,4%Behaviour prediction index

Results – statistics

How we see the results?• We used survival curve to present 

the results.

• We improve the calculation of the profitability of the client (controlling profitability per customer).

• Cost calculation of collection and recovery proceedings (against potentially recovered value).

• Assessment of future debt servicing capabilities.

• The calculation of the probability of default of existing and new assets.

90 days

9% in number

Personal fear to change (process monitoring)

Case III.

Case background - story• Back in 2010, a utility management service company started a process-reengineering 

project with the main goal to increase efficiency and reorganize back-office services as part of digital transformation.• The head of the back-office was also a managing director and partner in the 

company. • After some successful pilot processes optimization, we redefined their main core 

process. 

Billing process – From need to value• Need: increase efficiency and refocus on customer. • Stakeholder: back-office, accounting and finance department, IT, customer 

service, call center, middle management, senior management• Context: economic situation, digital transformation, internal change of 

workplaces and job positions.• Change: 100% automatization of core process, focus on customer service. • Solution: deployment of BPMS solution with tight integration with ERP and DMS. • Value: reorganization of the work, customer centric approach.

Source: http://www.dlib.si/stream/URN:NBN:SI:doc-CPFDANEE/23ff0ac4-1c72-4398-a037-833bdff2c573/PDF              http://dsi2011.dsi-konferenca.si/upload/predstavitve/Mened%C5%BEment%20poslovnih%20procesov/Gustin_Andrej.pdf              http://dsi2010.dsi-konferenca.si/upload/predstavitve/mened%C5%BEment%20poslovnih%20procesov/gustin_andrej_upravljanje%20poslovnih%20procesov%20kot%20odgovor%20na%20sedanjo%20krizo.pdf

The Change Curve (developed by Elisabeth Kubler-Ross)

Source: https://ww

w.linkedin.com

/pulse/change-curve-tim-crocker

Process 1: processing of incoming document• The first steps in process 

optimization went smoothly.

• In a time period of four months (1) we were nearly halfway to achieving our goal. 

• Normal deviation in the declining time trend (moment at A) – some ideas  doesn‘t work .

• Prompt reaction and process change led to  expected results (2).

• Size of the bubble presents the number of documents

1

2

Real BPMS data from 2010-2013

Process 2: processing of contracts and invoices• A small process change resulted in a 

high deviation in employees’ performance (moment “C”). 

• The primary cause of this was employees’ anxieties of losing internal business “power.” 

• Top management and HR started an internal campaign and promotion for a retraining program. 

• Step-by-step automation that finally led to a nearly complete computer-automated process (a final level of 98% automatization).

• Size of the bubble presents the number of documents

Real BPMS data from 2012-2015

Re-checkRe-workExceptions

IrrationalIncorrectSenseless

ConclusionsWho will build the highest stone stack?