Aspectos esenciales de los datos para Process Mining

Los datos sin procesar son solo el punto de partida. Process Mining depende de datos de eventos limpios y bien estructurados. Descubra cómo evaluar, preparar y mejorar sus datos para obtener insights fiables sobre sus procesos.

Capítulo 1: qué datos necesita para comenzar

Imagine que dirige un puesto de limonada, pero tiene muy mala memoria. Para comprender qué tan bien funciona su puesto, decide registrar tres datos básicos:

• ID del cliente (CaseID): Este número identifica a cada cliente. Muestra si la misma persona vuelve por más limonada o para quejarse de un lote demasiado ácido.
• Acción realizada (Activity): Registra lo que ocurrió. ¿Tomó el pedido, preparó la limonada o resolvió la queja de un cliente enfadado? Esperemos que no demasiado a menudo.
• Hora de la acción (Timestamp): Registra cuándo ocurrió cada acción. Necesita la secuencia de acciones para comprender el proceso.

Con estos tres datos, Process Mining actúa como un pequeño detective en su puesto. Muestra el flujo básico de clientes, identifica cuellos de botella, como la preparación lenta de la limonada, y revela si algunos clientes se quejan con más frecuencia que otros. Esto le proporciona un punto de partida claro para mejorar.

Este es un ejemplo de cómo podrían verse los datos en una tabla:*

Puede parecer muy poca información, pero proporciona a Process Mining lo suficiente para comenzar a plantear preguntas y descubrir insights básicos sobre la eficiencia de su puesto de limonada.

Capítulo 2: el caso de los registros de limonada desaparecidos

Nuestro puesto de limonada fue un éxito rotundo. A los clientes les encantaba nuestra receta secreta, en su mayor parte, y el negocio prosperaba. Pero el éxito trajo un nuevo desafío: estábamos desbordados por la cantidad de clientes. Las filas eran largas, los ánimos se caldeaban y, lo peor de todo, no teníamos idea de por qué.

¿Recuerda al pequeño detective que contratamos, Process Mining? No podía hacer milagros. Necesitaba información fiable y nosotros solo teníamos unos cuantos garabatos en una servilleta. Aquí es donde todo se complicó:

Limpiar este desorden de datos se convirtió en un nuevo proyecto. En el próximo capítulo verá cómo un poco de trabajo detectivesco y la ayuda de nuestra solución de Process Mining centrada en los datos nos permitieron optimizar el puesto de limonada y convertirnos en la envidia del vecindario.

Capítulo 3: la gran excavación de datos

Nuestro puesto de limonada fue un éxito rotundo, pero las filas eran una pesadilla. Sabíamos que Process Mining podía ayudar, pero primero teníamos que proporcionar datos fiables sobre el proceso. Eso implicaba profundizar en la extracción de datos: encontrar pistas ocultas sobre nuestros clientes y convertirlas en información que Process Mining pudiera interpretar.

Esto es lo que descubrimos:

• Búsqueda del tesoro: A veces, los datos eran como un tesoro enterrado, oculto en rincones polvorientos de nuestros sistemas, incluidas páginas web, correos electrónicos y archivos PDF. Tuvimos que convertirnos en arqueólogos de datos, revisar archivos antiguos y utilizar herramientas como la extracción de datos de pantalla para encontrar la información que necesitábamos.
• Perdidos en la traducción: Incluso después de encontrar los datos, no siempre estaban claros. Algunas pistas estaban garabateadas en servilletas, lo que las convertía en datos no estructurados, mientras que a otras les faltaban metadatos. Necesitábamos estandarizar los datos para interpretarlo todo.
• Centrarse es fundamental: Con miles de tablas en nuestras fuentes de datos para Process Mining, resultaba tentador recopilarlo todo. Pero, del mismo modo que no intentaría todas las combinaciones de sabores en una heladería, necesitábamos centrarnos en las preguntas que queríamos responder. ¿Tardaban demasiado los clientes en hacer el pedido o éramos nosotros el cuello de botella al preparar la limonada? Estas preguntas nos ayudaron a priorizar qué datos extraer.

Costó esfuerzo, pero con curiosidad y trabajo cuidadoso descubrimos un conjunto valioso de datos para Process Mining. En el próximo capítulo veremos cómo lo limpiamos y conseguimos que Process Mining trabajara para nosotros.

Capítulo 4: la desintoxicación de datos

Después de nuestros esfuerzos de extracción del capítulo 3, teníamos una montaña de datos. Pero el conjunto de datos era inconsistente: parte de la información de los clientes resultaba útil, algunas entradas eran notas aleatorias y gran parte no tenía relevancia. Había llegado el momento de desintoxicar los datos.

El filtrado se convirtió en nuestro mejor aliado. Piense en ello como ordenar una caja de herramientas desordenada. Durante la extracción, empezamos con un alcance amplio y poco detallado. Ahora era el momento de aplicar un alcance preciso y detallado.

Así abordamos el reto del filtrado:

Con los datos prácticamente limpios, en el capítulo siguiente era el momento de aplicar Process Mining. Exploraríamos el descubrimiento, la conformidad y la mejora para diagnosticar los problemas del puesto de limonada y aumentar su eficiencia.

Capítulo 5: La transformación de los datos

Nuestra desintoxicación de datos del capítulo 4 ayudó, pero aún quedaba un paso crucial antes de aplicar Process Mining: transformar los datos. Imagine que llega un cliente con un billete arrugado. Usted lo aceptaría igualmente, pero un billete limpio y sin arrugas sería más fácil de manejar. Esa es la idea que hay detrás de la limpieza de datos.

Esto es lo que debíamos hacer:

• Caso cerrado: Un proceso se parece al recorrido de un cliente: tiene un principio, un desarrollo y un final. Necesitábamos conectar cada evento relacionado con un único caso de cliente, incluidos el pedido, el tiempo de espera y la entrega final de la limonada. Piense en ello como organizar todos los recibos de una visita de un cliente.
• Hablar el idioma del proceso: Nuestros datos no siempre describían el proceso con claridad. Las actividades debían representar cambios de estado definidos en cada caso de cliente. Por ejemplo, «¡Cliente satisfecho!» era demasiado impreciso. Necesitábamos un estado claro, como «Limonada entregada».

No fue la parte más atractiva del proyecto, pero una preparación cuidadosa de los datos y unas definiciones claras nos proporcionaron un conjunto de datos limpio. Con Process Mining trabajando sobre estos datos transformados, pudimos descubrir las causas de las largas filas y convertir nuestro puesto de limonada en una operación más eficiente.