Datos clave para un Process Mining efectivo

¿Tienes datos en bruto? ¡Eso es solo el primer ingrediente! Process Mining adora los datos limpios, así que explora, prepara y sazona tus datos de eventos a la perfección. ¡Es la salsa secreta para descubrir potentes insights de procesos!

Capítulo 1: Qué data necesitas para comenzar a optimizar procesos

Imagina que tienes un puesto de limonada, ¡pero tienes mala memoria! Para saber cómo va tu negocio, decides registrar algunos datos básicos:

• Customer ID (CaseID): Es como un número que le das a cada cliente. Así sabes si alguien regresa por más limonada (o se queja de un lote muy ácido).
• Action Taken (Activity): Es lo que pasó. ¿“Tomar pedido”, “Preparar limonada” o quizá “Resolver queja de cliente molesto” (¡esperemos que no muchas veces!)?
• Action Time (Timestamp): Es cuándo realizaste las acciones. ¡Saber el orden es clave!

Solo con estos tres datos, Process Mining puede ser como un pequeño ayudante en tu puesto. Ve el flujo básico de clientes, identifica cuellos de botella (quizá eres lento preparando limonada) e incluso te muestra si algunos clientes se molestan más seguido que otros (¡momento de mejorar la receta!).

Así se vería una tabla de ejemplo con la data:*

Parece poca información, pero es suficiente para que Process Mining empiece a hacer preguntas y saque insights básicos sobre la eficiencia de tu stand de limonada.

Capítulo 2: El caso de los logs de limonada perdidos

¡El puesto de limonada fue un éxito! A los clientes les fascinaba nuestra receta secreta (casi todos) y el negocio iba viento en popa. Pero con tanto éxito apareció un reto: ¡los clientes nos sobrepasaban! Las filas eran largas, la gente se molestaba y lo peor, ¡no sabíamos por qué!

¿Recuerdas al pequeño espía que contratamos (Process Mining)? Resulta que no hace milagros. Necesita buena info, y solo teníamos algunos garabatos en una servilleta. Ahí empezó el lío:

• El detective de data: El primer reto fue juntar todos los detalles. Los pedidos estaban en post-its, tickets sueltos y hasta una servilleta arrugada (¡qué asco!). Fue como una historia de detectives, armando datos de fuentes dispersas (bases de datos, archivos planos, logs de mensajes y más).
• Hablando el mismo idioma: Incluso cuando teníamos la data, no siempre era clara. Algunos papeles decían “¡Cliente feliz!” y otros solo mostraban una carita triste. Necesitábamos un traductor (estandarización de data) para que el espía entendiera cada apunte.
• Hacer las preguntas correctas: Finalmente, teníamos que definir qué queríamos saber. ¿Eran largas las filas por pedidos lentos o porque preparar la limonada tomaba mucho? Hacer las preguntas correctas nos ayudó a enfocar la recolección y análisis de data (distintas vistas de la data).

Limpiar este desastre de datos fue toda una aventura. Pero en el próximo capítulo verás cómo, con trabajo de detective y ayuda de nuestro espía fan de la data, optimizamos el puesto y nos hicimos la envidia del barrio.

Capítulo 3: La Gran Excavación de Datos

Nuestro puesto de limonada fue un gran éxito, ¡pero las filas eran una pesadilla! Sabíamos que necesitábamos a nuestro espía de datos (Process Mining) para que nos ayudara, pero primero teníamos que darle buena información. Eso significaba sumergirnos en el mundo de la extracción de datos, básicamente encontrar todas las pistas ocultas sobre nuestros clientes y convertirlas en algo que nuestro espía pudiera entender.

Esto es lo que descubrimos:

• Búsqueda del Tesoro: A veces, los datos eran como un tesoro enterrado, escondidos en rincones polvorientos de nuestros sistemas (páginas web, correos electrónicos, PDFs). Tuvimos que convertirnos en arqueólogos de datos, escarbando en archivos antiguos y usando herramientas sofisticadas (screen scraping) para desenterrar la información que necesitábamos.
• Perdidos en la Traducción: Incluso cuando encontramos los datos, no siempre eran claros. Algunas pistas estaban garabateadas en servilletas (datos no estructurados) y otras estaban encerradas en un código secreto (metadata faltante). Necesitábamos un traductor (estandarización de datos) para descifrarlos.
• El Enfoque es Clave: Con tantas fuentes de datos (¡miles de tablas!), era tentador querer capturarlo todo. Pero al igual que no probarías todas las combinaciones de sabores en una heladería, necesitábamos centrarnos en las preguntas que queríamos responder. ¿Los clientes tardaban demasiado en ordenar, o éramos nosotros el cuello de botella haciendo limonada? Focalizarnos en estas preguntas clave nos ayudó a priorizar qué datos extraer.

No fue fácil, pero con un poco de esfuerzo y una dosis saludable de curiosidad, logramos desenterrar un tesoro de datos. En el próximo capítulo, veremos cómo limpiamos este lío ¡y finalmente logramos que nuestro espía de datos trabaje para nosotros!

Capítulo 4: Data Detox

Teníamos una montaña de data, gracias a nuestra gran extracción (ver capítulo 3). Pero cuidado, porque la data era una mezcla: info útil de clientes, garabatos y mucho que no necesitábamos. ¡Hora de un data detox!

Filtrar fue nuestro mejor aliado. Es como ordenar una caja de herramientas desordenada. Primero vimos lo general (scoping amplio) al extraer la data. Ahora, tocaba afinar el detalle (scoping preciso).

Así resolvimos el filtrado:

• Enfócate en lo clave: Imagina los pedidos frecuentes como las mejores herramientas del taller. Decidimos centrarnos en las 10 actividades más comunes (pedir, esperar, recibir limonada) para que el espía de data lo tuviera manejable. El resto, al fondo del depósito (por ahora).
• Iterar es la clave: Filtrar no era tarea de una sola vez. A medida que nuestro espía analizaba la data limpia, nos señalaba nuevas áreas a explorar. Como un detective, íbamos afinando el filtro al descubrir nuevos insights.

Con la data casi limpia, llegó el momento de desatar el verdadero poder de nuestro espía (Process Mining) en el próximo capítulo. Descubriremos técnicas como discovery, conformance y enhancement para encontrar los problemas y ser el puesto de limonada más eficiente de la zona.

Capítulo 5: El cambio de look de la data

El data detox (capítulo 4) funcionó muy bien, pero faltaba un paso esencial antes de lanzar a nuestro espía (Process Mining): ¡el data makeover! Imagina que un cliente llega con un billete arrugado. No lo rechazaríamos, pero sería más fácil si estuviera liso y limpio. Así es la limpieza de data.

Esto teníamos que hacer:

• Case cerrado: Un proceso es como el recorrido de un cliente: inicio, medio y final. Había que unir todos los eventos de un cliente (case): pedido, espera, entrega de limonada. Como organizar todos los tickets de una sola visita.
• Hablar en procesos: Nuestra data no siempre hablaba el idioma de los procesos. Había que definir bien cada actividad como cambio de estatus en la experiencia del cliente (case). Por ejemplo, “¡Cliente feliz!” no era específico. Mejor, un estatus como “Limonada entregada”.

No fue la parte más divertida, pero organizando bien logramos un dataset limpio. Gracias a la transformación del espía, descubrimos los secretos detrás de las filas largas y el puesto de limonada se volvió ejemplo de eficiencia (¡y sabor!).