Slimmer met DMN

Steeds meer organisaties ontdekken dat het identificeren en beheren van operationele beslissingen helpt om complexe processen beter de beheersen. Het identificeren van operationele beslissingen is specialistisch werk. Zonder vakkennis over regelbeheer blijft de toepassing van DMN vaak steken bij een paar geautomatiseerde beslissingen en valt men weer terug op een standaard aanpak omdat er onvoldoende verschil wordt gemaakt.

Notatiestandaard DMN
Meestal wordt DMN (Decision Modeling and Notation) uitsluitend gebruikt in het kader van het uitvoeren van geautomatiseerde beslissingen. Het doel van het modelleren van beslissingen is echter veel breder. Het modelleren zelf geeft namelijk heel waardevolle inzichten in hoe data en regels leiden tot de uitkomsten van beslissingen (volledige traceerbaarheid). De modellen die hiervoor worden opgesteld, ook wel DRD's (Decision Requirement Diagrams) genoemd, vormen een gemeenschappelijke taal voor zowel de business als IT. De meeste modelleeromgevingen ondersteunen DMN en bieden trainingen aan. Het verdient echter aanbeveling om een gerichte toolonafhankelijke training te volgen en een gespecialiseerde consultant in te zetten.

Slimmere straatverlichting
Aan de hand van een voorbeeld wil ik uitleggen wat voor verschil het maakt als je begint met het identificeren van de operationele beslissingen in plaats van alleen naar processtappen en bedrijfsregels te kijken. Wellicht dat het inspireert om eens anders naar een complex en lastig proces kijken en af te wegen of toepassing van DMN kan helpen om daar beter grip op te krijgen.

Op weg naar huis liep ik een keer over de Stadionweg in Amsterdam op het moment dat de straatverlichting aanging. Om mij heen floepten hele rijen straatlantaarns aan. Binnen een minuut was overal waar ik keek de verlichting aangegaan. Een vertrouwd beeld, maar is het wel nodig om alles in een keer aan te zetten? Dat kan slimmer, dacht ik. En aangezien ik geen techneut ben maar een DMN specialist, ging ik de situatie bekijken vanuit het perspectief van beslissingen.

Ik ben bij mij in de buurt gaan kijken naar de behoefte aan straatverlichting. Op plekken waar bomen staan is het bijvoorbeeld eerder donker dan op open plekken. Op een kruising wil je op drukke momenten goede verlichting maar als het rustig is kun je met minder verlichting uit de voeten. 

Ik bedacht mij ook dat de weersomstandigheden bepalend zijn voor de veiligheid op straat. Misschien willen we de verlichting dan eerder aanzetten.

Focus op de beslissing
Probeer voordat je verder leest te bedenken hoe je als verantwoordelijke voor de straatverlichting gaat bepalen hoe de straatverlichting moet werken. 

Als je vanuit de beslissing redeneert die genomen wordt voor een individuele straatlantaarn dan kom ik uit op onderstaande plaatje. Het is een model waarin de requirements worden weergegeven van de beslissing om de stand van de verlichting te bepalen (aan of uit).

Het realiseren van slimme straatverlichting is uiteraard een technisch vraagstuk. In plaats van in blokken zullen de lantaarnpalen individueel aangestuurd moeten worden. Er zijn meer meetpunten nodig om lichtsterkte, verkeersdrukte en neerslag te kunnen meten. Met de huidige technologie is dat prima te realiseren. Maar alleen technologie is niet voldoende. De systemen die de meetgegevens verwerken en de verlichting aansturen moeten worden geconfigureerd. Iemand zal moeten bepalen onder welke omstandigheden een slimme straatlantaarn aan- of uit moet gaan.

Het voordeel is dat dit model voor elke individuele straatlantaarn kan worden gebruikt. De bovenste rechthoek vertegenwoordigd de beslissing verlichting aan of uit. De logica die hiervoor moet worden bedacht is simpel want gebaseerd op:

• Is er neerslag (ja, nee)
• Is er verkeer (ja, nee)
• Is het donker (ja, nee)
• Type straatverlichting (kruising, hoofdweg, woonstraat, buitengebied)

 Voor de onderliggende beslissingen (de 3 rechthoeken) kunnen specifieke regels worden opgesteld die bepalen wanneer bepaalde drempelwaarden worden overschreden aan de hand van de aangeleverde data (ovaaltjes). 

Aan de hand van dit model kunnen expert heel gericht regels opstellen voor elke afzonderlijke beslissing. 

Omdat we in dit voorbeeld ervan uitgaan dat deze gemodelleerde beslissing automatisch wordt uitgevoerd zal er ook voor elke genomen beslissing informatie worden opgeslagen. Een verlichtingsexpert kan achteraf zien in welke gevallen de verlichting aan of uit is gegaan en nagaan of dat het gewenste effect heeft gehad. Is dat niet het geval dan kan er exact worden nagegaan welke regel of drempelwaarde aangepast moet worden. Zo kan er van elke afzonderlijke beslissing worden geleerd.

Maar er zijn nog meer mogelijkheden. Stel dat er een nieuw vereiste voor de verlichting bijkomt: De verlichting moet aangaan als er een stroomoverschot op het elektriciteitsnet dreigt. Het model kan hiervoor simpel worden uitgebreid met een "Bepaal stroomoverschot" beslissing.

De logica voor "Bepaal stand verlichting" wordt dan uitgebreid met "Is er een stroomoverschot  (ja, nee)".

Door de beslissing separaat te modelleren blijft het proces voor de straatlantaarn uitermate simpel. In BPMN ziet dat er zo uit:

 

Toepassing
Hoe zou deze slimme verlichting op basis van dit proces kunnen werken? Als iedere lantaarnpaal met een stukje technologie wordt uitgerust die het op afstand aan- en uitzetten mogelijk maakt dan is dat volgens mij voldoende. De beslissing om een straatlantaarn aan of uit te zetten wordt centraal genomen wat zorgt voor een seintje naar de juiste straatlantaarn. Het mooie hierbij is dat elke lantaarn individueel gegarandeerd aan- of uitgaat volgens de laatst gestelde regels, omdat die immers in die ene beslissing zitten waar ze allemaal mee worden aangestuurd.

Zoals het voorbeeld al laat zien kunnen nieuwe vereisten gemakkelijk worden toegevoegd zonder dat er ingrijpende veranderingen op de processen nodig zijn. Doordat de beslissing centraal wordt beheerd kunnen wijzigingen heel snel worden doorgevoerd, of teruggedraaid als er een ongewenst effect wordt gesignaleerd. Het is ook relatief gemakkelijk om input vanuit AI op een gecontroleerde en traceerbare manier te integreren. Voorwaarde is dat AI niet de eindbeslissing neemt maar wel als input voor de eindbeslissing wordt gebruikt. Hierdoor kan AI gecontroleerd bepaalde speelruimte krijgen.

Tot slot
Ik besef mij dat in dit voorbeeld de straatverlichting wellicht "slimmer" kan worden maar dat de individuele straatlantaarn "dom" is gebleven. Bij mij thuis is het eigenlijk niet anders. Ik heb slimme verlichting dankzij een app waarmee ik de verlichting kan configureren. Die lampen zijn ook niet "slim", ze kunnen immers niets anders dan in de stand gaan staan die ze centraal hebben doorgekregen.

Ik hoop dat dit relatief eenvoudige voorbeeld inspireert om anders naar processen te gaan kijken. Ik zou niet weten hoe ik dit vraagstuk zonder DMN zou moeten oplossen. Als ik het probeert te modelleren in BPMN dan loop ik snel vast omdat ik aannames moet doen over wat er in welke volgorde moet gebeuren. Zie onderstaand plaatje.

Wat mij betreft onbegonnen werk. Dat kan inderdaad slimmer, met DMN!

De komende tijd zullen we verder uitweiden over beslissingen en regels door o.a. te kijken hoe beslissingen beheerd kunnen worden, hoe de link gelegd wordt tussen een beslissing en regels en hoe de traceerbaarheid naar wetsregels of beleidsstukken wordt vormgegeven.

Marwim van Overschot
Business Rules Platform Nederland