¿Qué se necesita para usar Process Mining?

¿Qué se necesita para ejecutar Process Mining?

¿Tienes data en bruto? ¡Eso es solo el primer paso! Process Mining funciona mejor con data de eventos limpia y bien preparada. Explora, prepara y refina tu data para obtener insights valiosos sobre tus procesos.

¿Qué data necesitas para empezar?

Imagina que tienes un puesto de limonada pero mala memoria. Para saber cómo va el negocio, decides registrar info básica:

• Customer ID (CaseID): Es el número asignado a cada cliente. Así sabes si alguien regresa por más limonada (o para quejarse por un lote malo).
• Action Taken (Activity): ¡Lo que pasó! ¿Hiciste “Take Order”, “Prepare Lemonade” o quizás “Resolve Angry Customer Complaint” (¡esperemos que no mucho!)?
• Action Time (Timestamp): Cuándo ocurrió la acción. El orden es clave para los procesos.

Con solo estos tres datos, Process Mining actúa como un espía en tu puesto. Muestra el flujo básico de clientes, detecta cuellos de botella (quizás eres lento preparando) y si hay clientes que se quejan más que otros (¡momento de mejorar la receta!).

Por ejemplo, la data podría lucir así en una tabla:

Parece poca información, pero es suficiente para que Process Mining empiece a hacer preguntas y te dé insights claros sobre la eficiencia de tu puesto de limonada.

1. El caso de los registros perdidos de limonada

¡Nuestro puesto de limonada fue un éxito! A los clientes les encantó nuestra receta secreta (más o menos) y el negocio iba viento en popa. Pero con el éxito llegó el reto: teníamos tantos clientes que fue un caos. Las colas eran largas, la gente se impacientaba y, lo peor, ¡no sabíamos por qué!

¿Recuerdas ese “pequeño espía” que contratamos (Process Mining)? Bueno, tampoco hace milagros. Necesita buena información y nosotros solo teníamos algunos garabatos en una servilleta. Aquí es donde empezó el lío:

• El detective de data: Nuestra primera tarea fue encontrar todos los detalles importantes. Los pedidos de clientes estaban repartidos en post-its, recibos sueltos y hasta una servilleta arrugada (¡un desastre!). Fue como armar un caso policial usando info de diferentes fuentes (bases de datos, ficheros planos, logs, etc.).
• Hablando el mismo idioma: Cuando por fin encontrábamos la data, no siempre era clara. Algunas notas decían “Cliente feliz”, otras solo tenían una carita triste. Necesitábamos estandarización de datos para que el “espía” entendiera cada apunte.
• Hacer las preguntas correctas: Por último, había que saber qué queríamos descubrir. ¿Las colas eran largas porque los clientes pedían lento o porque tardábamos en preparar la limonada? Hacer las preguntas adecuadas nos ayudó a enfocar la recogida de información (diferentes vistas de la data).

Al final, limpiar todo ese lío fue otra aventura. Pero en el próximo capítulo verás cómo, con trabajo detectivesco y ayuda de nuestro espía, optimizamos el puesto y nos convertimos en la envidia del barrio.

2. La gran excavación de data

El puesto de limonada era éxito tras éxito, ¡pero las colas eran un caos! Sabíamos que nuestro espía (Process Mining) nos podía ayudar, pero primero había que darle buena información. Eso significó adentrarnos en la extracción de datos: encontrar todas las pistas ocultas sobre nuestros clientes y convertirlas en algo útil para el espía.

Descubrimos lo siguiente:

• Búsqueda del tesoro: A veces la data era como un tesoro escondido en rincones olvidados de nuestros sistemas (páginas web, emails, PDFs). Tuvimos que hacer de arqueólogos de la data, revisando archivos antiguos y usando herramientas como screen scraping para rescatar la información.
• Perdidos en la traducción: Incluso al encontrar la data, no siempre era comprensible. Algunas pistas eran anotaciones sueltas (data no estructurada) y otras estaban con códigos que nadie entendía (falta de metadata). Necesitábamos estandarización para descifrar todo.
• Centrarse es clave: Había tantas fuentes de datos (¡miles de tablas!) que tentaba quedarse con todo. Pero, como con los sabores del helado, mejor centrarse en responder las preguntas importantes: ¿los clientes tardaban mucho en pedir o éramos el cuello de botella al preparar limonada? Enfocar las preguntas nos ayudó a priorizar qué extraer.

No fue fácil, pero con ganas y curiosidad, desenterramos un montón de información. En el próximo capítulo veremos cómo limpiamos el desorden y pusimos a trabajar nuestro espía.

3. La desintoxicación de la data

Teníamos una montaña de datos tras la extracción (ver capítulo 3), pero no todo era útil: había información de clientes importante, garabatos y cosas que no servían. ¡Hora del data detox!

El filtrado se convirtió en nuestro mejor aliado. Es como poner orden en una caja de herramientas. Al principio nos fijamos en lo general (coarse-grained scoping), pero llegó el momento de afinar (fine-grained scoping).

Así resolvimos el reto:

• Enfocar en lo importante: Imagina los pedidos más frecuentes como las mejores herramientas de la caja. Decidimos centrarnos en las 10 actividades más comunes (pedir, esperar, recibir limonada) para que el proceso fuera manejable para nuestro espía de data. El resto, para después.
• Iterar es la clave: Filtrar no es de una sola vez. A medida que nuestro espía analizaba la data limpia, nos mostraba nuevas áreas a priorizar. Fue como seguir pistas y ajustar el filtro con cada insight nuevo.

Con la data limpia (o casi), era hora de soltar la verdadera potencia de nuestro espía (Process Mining) en el próximo capítulo. Descubriremos técnicas como discovery, conformance y enhancement para diagnosticar el puesto y ser la operación de limonada más eficiente de la zona.

4. El cambio de imagen de la data

El data detox (Capítulo 4) hizo maravillas, pero aún faltaba un paso antes de usar nuestro espía (Process Mining): ¡el cambio de imagen de la data! Piensa en un cliente que viene con un billete arrugado. No lo rechazarías, pero sería más fácil si estuviera limpio. De eso se trata el data cleaning.

Hicimos esto:

• Cerrar el caso: Un proceso es como el viaje del cliente: tiene inicio, desarrollo y fin. Necesitábamos vincular todos los eventos (case) de un solo cliente: su pedido, espera y entrega de limonada. Como organizar todos los tickets de una visita.
• Hablar en procesos: Nuestra data no siempre reflejaba el proceso. Era necesario definir bien las actividades como cambios de estado para cada case. “Cliente feliz” no era suficiente: necesitábamos algo claro como “Limonada entregada”.

No fue la parte más vistosa, pero con trabajo y claridad logramos un dataset limpio. Así, con la data mejorada por Process Mining, podremos descubrir los secretos detrás de las colas y transformar el puesto en un ejemplo de eficiencia (¡y de buen sabor!).