Bedrijfsregel management systemen (BRMS’en), business rules engines, knowledge management systemen, expert systemen, predictive analytics systemen, decision management systemen zijn op dit moment maar een paar van de termen die gebruikt worden om softwarepakketten aan te duiden die bedrijfsregels (beslissingen / kennis) specificeren, uitvoeren en beheren. Maar wordt elke term gebruikt om te verwijzen naar een softwarepakket met unieke eigenschappen? Heel voorzichtig uitgedrukt: waarschijnlijk niet. Een belangrijke vraag die dan meteen opkomt is: “Hoe kunnen bedrijfsregel management systemen geclassificeerd worden?” Voor bedrijven kan deze classificatie een belangrijke rol spelen in het selectieproces van een BRMS.

Er bestaan meerdere classificatieschema’s van BRMS’en. Drie veelgebruikte schema’s zijn: 1) een classificatie naar de variabiliteit van een bedrijfsregel, 2) een classificatie naar de levenscyclus van een bedrijfsregel en 3) een classificatie naar de waardepropositie van een bedrijfsregel. In dit artikel wordt dieper ingegaan op het eerstgenoemde classificatieschema: de classificatie naar de variabiliteit van een bedrijfsregel.

Bij het classificatieschema naar de variabiliteit worden BRMS’en onderverdeeld in vier categorieën: 1) source-code, 2) ’zwart/wit’ BRMS’en, 3) predictive-BRMS’en, en 4) adaptive-BRMS’en. Deze onderverdeling is gemaakt op basis van de toepasbaarheid van een BRMS die wordt bepaald door de mate waarin de variatie in de executie van de bedrijfsregels van te voren voorspeld kan worden. Oftewel, bepaalde soorten BRMS’en zijn zeer geschikt om toe te passen wanneer alle executiepaden van de bedrijfsregels van te voren bekend zijn (zie linkerkant van Figuur 1). Andere BRMS’en zijn juist zeer geschikt wanneer de variatie in de executie van de bedrijfsregels hoog is en de executiepaden dus niet voorspeld kunnen worden (zie rechterkant van Figuur 1). Een organisatie kan op basis van de voorspelde mate van variatie in hun bedrijfsregels en aan de hand van deze classificatie een softwarepakket selecteren die toepasselijk is voor hun situatie (zie Figuur 1).

Wanneer alle mogelijke executie scenario’s van de bedrijfsregels van te voren bepaald en vastgelegd kunnen worden, dan kan een organisatie ervoor kiezen om de bedrijfsregels in source-code (categorie 1), bijvoorbeeld C#, C++ of Java, vast te leggen. Op dit moment is het zo dat dit vooral gebeurt bij bedrijfskritische softwaresystemen die een gevaar kunnen opleveren voor de omgeving en/of de mensen. Voorbeelden van dit soort systemen zijn softwaresystemen voor kerncentrales.

artikel_classificatie_schema_brms_deel2_figuur1

Figuur 1: Classificatieschema

De tweede categorie, zwart/wit BRMS’en, onderkent twee typen: 1) commerciële off-the-shelf softwaresystemen (COTS) en 2) specificatiesystemen. Het eerstgenoemde type, COTS systemen, zijn pakketten die worden gekwalificeerd als commerciële kant-en-klare software zoals: 1) Salesforce en 2) SAP. In deze softwaresystemen zijn de feiten en de bijbehorende gegevensmodellen al gedefinieerd. Daarnaast bevatten deze systemen in veel gevallen templates voor het specificeren van bedrijfsregels. Door middel van deze templates kunnen organisaties snel en eenvoudig een bedrijfsregelset op te stellen die voor hun situatie van toepassing is. Een voorbeeld van een bedrijfsregel template is: “Als het orderbedrag groter is dan € X, dan dient vooraf betaald te worden”. Het € bedrag is op dit moment een variabele X die ingevuld kan worden. Tevens bieden deze softwaresystemen de mogelijkheid om zelf bedrijfsregels te specificeren op basis van vooraf gedefinieerde feittypen, waarover gegevens in het softwaresysteem staan opgeslagen. Voorbeelden van het tweede type zwart/wit BRMSs, specificatiesystemen, zijn: Corticon, Sapiens, Visual Rules, Oracle Policy Automation, Blueriq en Idiom. In tegenstelling tot type 1, dienen in deze specificatiesystemen de feiten, feit-modellen en bedrijfsregels vanaf scratch gedefinieerd te worden. Wel wordt de bedrijfsregel-modelleur hierbij soms door het systeem geholpen met vooraf gedefinieerde templates voor specifieke bedrijfsregels, bijvoorbeeld een template voor classificatieregels of rekenregels.

Maar hoe maak je nu de keuze tussen het beheren van je bedrijfsregels in een type 1 of in een type 2 zwart/wit BRMS? Type 1, COTS, biedt vooraf gedefinieerde sets van feiten, feittypen en bedrijfsregel templates die vaak gebaseerd zijn op industriële standaarden. Dit betekent dat wanneer een organisatie wil voldoen aan de industriële standaarden, het kiezen voor een type 1 softwaresysteem afdoende is om aan de wensen en eisen van de organisatie te voldoen. Maar wanneer een organisatie vindt dat de manier waarop zij beslissingen maken (de toepassing van unieke bedrijfsregels) zorgt voor een unique selling point, en daarmee een strategisch asset vormen, dan dienen de bedrijfsregels vanaf scratch gespecificeerd te worden. In dat geval ligt het niet voor de hand om de bedrijfsregels in of op basis van een type 1 softwaresysteem, COTS, te specificeren. Maar kan er beter gekozen worden voor een type 2 zwart/wit BRMS: een specificatiesysteem.

De derde categorie zijn de zogenoemde predictive-BRMS’en. Een predictive-BRMS biedt een combinatie van statische bedrijfsregels, zoals ook gedefinieerd in een type 2 zwart/wit systeem, en voorspellende modellen (predictive models). De voorspellende modellen worden gebruikt voor beslissingen waarbij niet elk mogelijk executie scenario van te voren vast staat en gespecificeerd kan worden. Voorbeelden van zulke beslissingen zijn: “de kans dat iemand zijn lening terugbetaald” of “risico en fraude classificaties.” Het voorspellende model wordt individueel gebruikt, in combinatie met andere voorspellende modellen, of met statische bedrijfsregels (bedrijfsregelmodellen). In de combinatie met statische bedrijfsregelmodellen zijn twee toepassingen mogelijk. De eerste toepassing is om de waarden of percentages uit een voorspellend model als input voor een statisch model te gebruiken. De tweede toepassing is om, op basis van statische bedrijfsregels, te bepalen welk voorspellend model gekozen dient te worden.

De vierde categorie BRMS’en zijn adaptive-BRMS’en, tegenwoordig ook steeds vaker aangeduid onder de verzamelnaam cognitieve systemen. Het verschil tussen predictive-BRMS’en en adaptive-BRMS’en is dat predictive-BRMS’en relatief beperkte mogelijkheden hebben met betrekking tot voorspellende modellen en dat adaptive-BRMS’en naast voorspellende ook voorschrijvende modellen gebruiken. Om dit te realiseren maken adaptive-BRMS’en, naast predictive analytics technieken, ook gebruik van text-mining technieken en verschillende machine learning technieken. Het doel van de toepassing van verschillende technieken in een adaptive-BRMS is het proberen na te bootsen van het menselijke denkproces. Hierbij geldt dat het softwaresysteem niet alleen zelf bedrijfsregels creëert maar ze ook zelf uitvoert in de situaties waarvan hij denkt dat ze van toepassing zijn. Als laatste dient de opmerking gemaakt te worden dat een adaptive-BRMS meestal een combinatie van softwarepakketten is en niet één integraal pakket.

artikel_classificatie_schema_brms_deel2_figuur2

Figuur 2: Classificatieschema

Naast de hierboven beschreven softwaresystemen kan nog een vijfde categorie BRMS’en worden onderscheiden en dat is de mens. Meestal hangt de keuze tussen mens en machine af van de frequentie waarin de bedrijfsregels veranderen en de frequentie waarin de bedrijfsregels worden uitgevoerd. Wanneer de bedrijfsregels per situatie volledig uniek zijn of wanneer de bedrijfsregels slechts één of twee keer per jaar worden uitgevoerd, dan kan de keuze voor het inzetten van een mens in plaats van een softwaresysteem valide zijn. Daarentegen denken sommige organisaties dat in een aantal gevallen mensen betere beslissingen kunnen maken dan geautomatiseerde systemen. Dit gedachtegoed lijdt snel tot een niet goed afgewogen keuze voor het laten fungeren van de mens als systeem. Met de opkomst van steeds slimmere adaptive-BRMS oplossingen, waarvan IBM Watson de bekendste is, wint de machine het vaak van de mens. Kortom, het is dus aan te raden om een gedegen afweging te maken of het qua kosten slimmer is om een machine of een mens in te zetten om de bedrijfsregels te laten uitvoeren.

 
Reviewer: Eline de Haan