FAQ Solución de problemas de acceso al portapapeles para copiar-pegar Resolución de Problemas de Datos
> recursos > docs > resolucion problemas > Resolución de Problemas de Datos

Resolución de Problemas de Datos

Problemas Comunes de Datos y Soluciones

Al preparar datos para process mining, pueden ocurrir varios problemas comunes que afectan la precisión y calidad del análisis. A continuación, una guía para identificar y resolver estos problemas.

1. Registros Duplicados en los Logs de Eventos

Síntomas:
  • El mismo event aparece múltiples veces para la misma instancia del proceso (mismo Case ID, Activity y Timestamp).
  • Conteos inusualmente altos de ciertas actividades o events en el process map.
Causas Posibles:
  • Datos registrados múltiples veces debido a problemas de integración del sistema o errores de registro.
  • El proceso de ingesta de datos repitió eventos sin querer.
Solución:
  • Elimina Duplicados: Usa herramientas de limpieza de datos para identificar y eliminar entradas duplicadas. En Excel o Google Sheets, usa la función “Remove Duplicates”, o si usas una base de datos, escribe consultas SQL que eliminen entradas repetidas basadas en Case ID, Activity y Timestamp.
  • Filtra Durante la Ingesta: Al ingerir datos, configura filtros para asegurar que sólo eventos únicos se importen en la herramienta de process mining.

2. Timestamps Faltantes

Síntomas:
  • Timestamps incompletos o faltantes impiden la secuenciación correcta de eventos.
  • El MAP del proceso muestra brechas o conexiones faltantes entre actividades.
Causas Posibles:
  • Algunos sistemas no registran timestamps para cada actividad.
  • Procesos manuales o tareas no digitales que no se rastrean con un timestamp.
Solución:
  • Estimar Timestamps Faltantes: Si es posible, estima los timestamps faltantes basados en puntos de datos conocidos (por ejemplo, asume que una tarea tomó el tiempo promedio entre tareas previas y subsecuentes).
  • Complementa con Datos Manuales: Para tareas manuales o no digitales, introduce timestamps manualmente basados en estimaciones o logs de otras fuentes.
  • Imputación de Datos: Usa técnicas de imputación de datos, como predecir timestamps faltantes basados en otros eventos en la secuencia o duración promedio del proceso.

3. IDs de Caso Inconsistentes

Síntomas:
  • Eventos que pertenecen a la misma instancia del proceso se dividen entre diferentes IDs de Caso, llevando a la fragmentación del modelo de proceso.
  • Múltiples representaciones de la misma instancia del proceso, causando confusión y análisis inexactos.
Causas Posibles:
  • Diferentes sistemas o departamentos usan distintas convenciones de nomenclatura o estructuras para los IDs de Caso.
  • Errores de entrada de datos o formato inconsistente entre sistemas.
Solución:
  • Mapping de IDs de Caso: Desarrolla una estrategia de mapping de IDs de Caso para unificar los identificadores entre sistemas. Usa herramientas como plataformas ETL (Extract, Transform, Load) o SQL para fusionar y estandarizar los IDs de Caso.
  • Utiliza Herramientas de Transformación de Datos: Si los IDs de Caso tienen diferentes formatos, utiliza herramientas de transformación para convertirlos a un formato consistente antes de ingerir los datos.

4. Secuencia de Actividades Incorrecta

Síntomas:
  • Los eventos aparecen desordenados, con actividades posteriores apareciendo antes que las anteriores (por ejemplo, “Pedido Completado” antes de “Pedido Realizado”).
  • El MAP del proceso muestra flujos o bucles sin sentido.
Causas Posibles:
  • Los timestamps se introdujeron incorrectamente o faltan.
  • Los datos se ingirieron sin un orden adecuado.
Solución:
  • Ordena por Timestamp: Asegúrate de que los eventos estén ordenados por sus timestamps en orden ascendente para cada Case ID. Usa herramientas como Excel, SQL, o Pandas (Python) para ordenar los datos correctamente.
  • Verifica los Formatos de Timestamps: Asegúrate de que todos los timestamps estén en el mismo formato y zona horaria. Convierte todos los timestamps a un formato común, como ISO 8601 (YYYY-MM-DD HH:MM:SS).
  • Valida la Calidad de los Datos: Revisa manualmente algunos casos para asegurar que los eventos estén en el orden correcto y que no ocurrió ningún error de secuenciación durante la entrada de datos o ingesta.

5. Inconsistencia de Datos Entre Sistemas

Síntomas:
  • Datos descoordinados entre diferentes sistemas que contribuyen al mismo proceso.
  • Eventos aparecen en los datos de un sistema pero faltan en otro, llevando a brechas en el MAP del proceso.
Causas Posibles:
  • Diferentes sistemas usan distintas métricas, convenciones de nombre o formatos para los mismos eventos.
  • Extracción de datos incompleta o integración parcial del sistema.
Solución:
  • Estandariza los Datos: Antes de la ingesta, estandariza cómo se representan campos clave (por ejemplo, Case ID, Nombre de Actividad y Timestamps) a través de diferentes sistemas. Usa herramientas de transformación de datos para asegurar la consistencia en nombres y formatos de campos.
  • Combina Conjuntos de Datos Cuidadosamente: Usa herramientas ETL para fusionar datos de múltiples sistemas y asegúrate de que el conjunto de datos combinado tenga una estructura coherente. Asegúrate de la consistencia en nombres de eventos, timestamps, e IDs de Caso antes de combinar los conjuntos de datos.

6. Grandes Volúmenes de Datos que Generan Problemas de Rendimiento

Síntomas:
  • Rendimiento lento al cargar o analizar grandes conjuntos de datos en la herramienta de process mining.
  • Fallos del sistema o tiempos de espera durante la ingesta de datos.
Causas Posibles:
  • El conjunto de datos contiene demasiados registros para que el sistema los maneje eficientemente.
  • La herramienta de process mining no puede procesar grandes volúmenes de datos de una sola vez.
Solución:
  • Muestreo de Datos: En lugar de procesar todo el conjunto de datos, usa una muestra representativa. Esto puede reducir el tamaño mientras todavía proporciona análisis valioso.
  • Filtra Eventos No Necesarios: Elimina eventos de bajo valor o irrelevantes (como entradas en logs del sistema) antes de cargar los datos en la herramienta de process mining.
  • Carga Incremental de Datos: En lugar de ingerir todos los datos de una vez, carga partes más pequeñas de datos incrementando y analízalas por separado.

7. Datos Irrelevantes o Ruidosos

Síntomas:
  • El MAP del proceso está lleno de eventos que no están relacionados con el proceso central.
  • Demasiadas variaciones insignificantes dificultan el enfoque en los insights clave.
Causas Posibles:
  • Eventos del sistema de fondo, logs del sistema o tareas no relacionadas se capturan en el conjunto de datos.
  • Ruido de tareas de baja prioridad o procesos del sistema.
Solución:
  • Filtra Eventos No Necesarios: Excluye eventos irrelevantes que no contribuyen al proceso analizado. Por ejemplo, elimina eventos de logs del sistema o actividades que no son parte del workflow del negocio.
  • Agrupa Eventos de Bajo Nivel: Si es necesario, agrupa o agrega eventos del sistema de bajo nivel en actividades de nivel superior para simplificar el modelado del proceso y centrarte en actividades clave.

8. Manejo de Outliers

Síntomas:
  • El MAP del proceso muestra variaciones extremas en la duración de las tareas o en la asignación de recursos que no se alinean con el rendimiento típico.
  • El análisis está sesgado por casos raros o excepcionales.
Causas Posibles:
  • Puntos de datos outliers (por ejemplo, tareas que tardaron inusualmente mucho o casos con patrones anormales) están presentes en el conjunto de datos.
  • Casos extremos o incidentes raros afectan desproporcionadamente el MAP.
Solución:
  • Identifica Outliers: Usa análisis estadístico para detectar y marcar outliers basándote en la duración de tareas, uso de recursos, u otras métricas.
  • Decide Incluir o Excluir: Evalúa si estos outliers ofrecen insights útiles (por ejemplo, identificar problemas raros pero críticos) o si deben ser excluidos para centrarte en procesos estándar. Si excluyes, documenta la decisión para garantizar claridad.

9. Zonas Horarias Desalineadas en los Datos

Síntomas:
  • Eventos que ocurren en secuencia parecen desalineados debido a distintas configuraciones de zona horaria.
  • Los cálculos de duración del proceso son incorrectos debido a inconsistencias de zona horaria.
Causas Posibles:
  • Datos de diferentes sistemas o departamentos pueden usar distintas zonas horarias, provocando inconsistencia en los timestamps.
  • Las zonas horarias no se estandarizaron antes de la ingesta de datos.
Solución:
  • Convierte a una Zona Horaria Común: Antes de importar datos, convierte todos los timestamps a una zona horaria consistente (por ejemplo, UTC). Muchas herramientas, incluyendo Excel y Python, ofrecen funciones de conversión de zona horaria.
  • Documenta los Ajustes de Zona Horaria: Mantén un registro de la zona horaria original para cada conjunto de datos y documenta cualquier conversión realizada.

10. Logs de Eventos Desequilibrados

Síntomas:
  • Algunos casos tienen pocos eventos, mientras que otros tienen demasiados, lo que lleva a un MAP del proceso desequilibrado.
  • Ciertas actividades o casos dominan el análisis debido a una distribución desigual de los datos.
Causas Posibles:
  • Registro de datos inconsistente o captura incompleta de eventos para ciertos casos.
  • Sesgo en los datos donde algunas instancias del proceso están sobrerrepresentadas.
Solución:
  • Normaliza el Log de Eventos: Asegúrate de que cada instancia del proceso tenga un nivel de detalle similar. Si ciertos casos carecen de eventos clave, investiga la causa e intenta llenar los espacios manualmente o elimina esos casos del análisis.
  • Pondera los Datos: Si es necesario, pondera los eventos o casos para garantizar que los casos sobre-representados no afecten desproporcionadamente al análisis.

Conclusión

La calidad de los datos es crucial para el éxito en process mining. Al identificar y abordar estos problemas comunes de datos, aseguras que tu análisis ofrezca resultados precisos y accionables. Implementar mejores prácticas en limpieza, preparación y validación de datos ayudará a evitar errores comunes y maximizar los beneficios de tus esfuerzos en process mining.