复杂工作流的详细可见性

挑战

定制医疗产品高度个性化。需要一个复杂的制造
流程网络来满足患者的需求。大量定制订单跨
多个工厂流转，进一步增加了从订单
接收到发货的常规跟踪任务的复杂性。

随着订单量增加和工厂车间系统增多，管理层对
定制生产过程中产品流转的可见性下降了。

技术人员创建了许多手动子流程来处理定制。他们不得不
在压力下即时做出路由决策。技术人员和
流程之间的差异导致了质量控制问题，但由于缺乏对这些流程的可见性，无法
缓解这些问题。

由于定制制造过程大部分是手动的，即使确定订单状态也
很困难。如果客户打电话咨询，工作人员可以告知订单何时收到，但
无法向客户更新订单在流程中的位置或何时能够
交付。

解决方案

公司的创新文化促使他们的软件团队寻找新型工具，以便将
复杂的制造流程转变为自身优势。像Neo4j这样的图数据库是
天然的契合。团队开始利用
数据中的连接来设计工作流和路由问题的解决方案。

“我们出于几个原因从关系数据库转向了Neo4j。首先，Neo4j
提供了工作流的自然表示；毕竟，工作流是一系列相互连接的
流程，”项目的一位高级软件工程师说。“其次，我们的业务
需求复杂且不断演变。Neo4j提供的灵活数据模型，
特别是与关系数据库相比，使其更容易适应这些不断演变的
需求。它还使我们能够高效遍历连接的数据——无需复杂的查询和
过多的JOIN操作——并做出实时决策。”

团队认为创建工作流引擎在概念上与常见的图数据库
用例——实时推荐——相似。这些系统使用个人数据——例如
其个人资料和系统偏好——来决定推荐的产品。
同样，工作流引擎接收定制订单——其中包括订单信息、
客户信息、客户偏好以及与客户合作的技术人员信息——然后
利用所有这些信息推荐最合适的工作流并自动
将订单路由到该工作流中。

利用 Neo4j，团队开发了一个灵活的工作流模型。他们的工作流引擎采用了
多语言持久化方法，使用 Neo4j 处理实时工作流，MongoDB 处理版本控制
和元数据。