Elementi essenziali dei dati per il Process Mining

I dati grezzi sono soltanto il punto di partenza. Il Process Mining si basa su dati degli eventi puliti e ben strutturati. Scopra come valutare, preparare e migliorare i Suoi dati per ottenere insight affidabili sui processi.

Capitolo 1: quali dati servono per iniziare

Immagini di gestire un chiosco di limonata, ma di avere una pessima memoria. Per capire quanto sta andando bene la Sua attività, decide di registrare tre informazioni di base:

• ID cliente (CaseID): questo numero identifica ogni cliente. Indica se la stessa persona torna per altra limonata o per lamentarsi di una partita troppo aspra.
• Azione eseguita (Activity): registra ciò che è accaduto. Il cliente ha effettuato un “Ordine”, Lei ha “Preparato la limonata” o ha dovuto “Gestire il reclamo di un cliente arrabbiato”? Si spera, non troppo spesso.
• Ora dell’azione (Timestamp): registra quando si è verificata ogni azione. Per comprendere il processo, è necessaria la sequenza delle azioni.

Con questi tre punti dati, il Process Mining si comporta come un piccolo detective al Suo chiosco. Mostra il flusso di base dei clienti, individua colli di bottiglia come la preparazione lenta della limonata e rivela se alcuni clienti presentano reclami più spesso di altri. Questo Le offre un punto di partenza chiaro per migliorare.

Ecco un esempio di come potrebbero apparire i dati in una tabella:*

Potrebbe sembrare un’informazione minima, ma è sufficiente perché il Process Mining inizi a porre domande e a far emergere insight di base sull’efficienza del Suo chiosco di limonata.

Capitolo 2: il caso dei log della limonata mancanti

Il nostro chiosco di limonata era un vero successo. I clienti adoravano la nostra ricetta segreta, per lo più, e l’attività prosperava. Ma il successo portò una nuova difficoltà: i clienti erano troppi. Le code si allungavano, gli animi si scaldavano e, cosa peggiore, non avevamo idea del perché.

Ricorda il piccolo detective che avevamo assunto, il Process Mining? Non poteva fare miracoli. Aveva bisogno di informazioni affidabili, mentre noi avevamo soltanto qualche appunto scarabocchiato su un tovagliolo. Ecco dove le cose si complicarono:

Mettere ordine in questo caos di dati divenne un nuovo progetto. Nel prossimo capitolo vedrà come un po’ di lavoro investigativo e l’aiuto della nostra soluzione di Process Mining focalizzata sui dati ci hanno aiutato a ottimizzare il chiosco di limonata e a diventare l’invidia del quartiere.

Capitolo 3: la grande ricerca dei dati

Il nostro chiosco di limonata era un vero successo, ma le code erano un incubo. Sapevamo che il Process Mining avrebbe potuto aiutarci, ma prima dovevamo fornire dati affidabili sui processi. Questo significava immergerci nell’estrazione dei dati: trovare indizi nascosti sui nostri clienti e trasformarli in informazioni interpretabili dal Process Mining.

Ecco che cosa abbiamo scoperto:

• Caccia al tesoro: a volte i dati sembravano un tesoro sepolto, nascosto negli angoli polverosi dei nostri sistemi, tra pagine web, e-mail e PDF. Abbiamo dovuto trasformarci in archeologi dei dati, scavando tra vecchi file e utilizzando strumenti come lo screen scraping per trovare le informazioni necessarie.
• Persi nella traduzione: anche dopo aver trovato i dati, non era sempre tutto chiaro. Alcuni indizi erano scarabocchiati su tovaglioli, quindi costituivano dati non strutturati, mentre ad altri mancavano i metadati. Avevamo bisogno della standardizzazione dei dati per interpretarli tutti.
• Concentrarsi è fondamentale: con migliaia di tabelle tra le nostre fonti di dati per il Process Mining, era allettante raccogliere tutto. Ma, proprio come non proverebbe ogni combinazione di gusti in una gelateria, dovevamo concentrarci sulle domande a cui volevamo rispondere. I clienti impiegavano troppo tempo per ordinare o eravamo noi il collo di bottiglia nella preparazione della limonata? Queste domande ci hanno aiutato a stabilire quali dati estrarre con priorità.

È stato impegnativo, ma con curiosità e attenzione abbiamo scoperto un insieme prezioso di dati per il Process Mining. Nel prossimo capitolo vedremo come li abbiamo ripuliti e come abbiamo fatto funzionare il Process Mining a nostro vantaggio.

Capitolo 4: la disintossicazione dei dati

Dopo le attività di estrazione del Capitolo 3, ci siamo ritrovati con una montagna di dati. Il dataset, però, era incoerente: alcune informazioni sui clienti erano utili, altre consistevano in note casuali e gran parte dei dati era irrilevante. Era arrivato il momento di fare una disintossicazione dei dati.

Il filtraggio è diventato il nostro nuovo alleato. Lo si può immaginare come il riordino di una cassetta degli attrezzi piena di oggetti alla rinfusa. Durante l’estrazione avevamo iniziato con un perimetro ampio e poco dettagliato. Ora era il momento di applicare un perimetro preciso e granulare.

Ecco come abbiamo affrontato la sfida del filtraggio:

Con i dati ormai quasi completamente ripuliti, nel capitolo successivo era arrivato il momento di applicare il Process Mining. Avremmo esaminato discovery, conformità ed enhancement per diagnosticare i problemi del chiosco della limonata e migliorarne l’efficienza.

Capitolo 5: La trasformazione dei dati

La disintossicazione dei dati del Capitolo 4 ci aveva aiutato, ma prima di poter applicare il Process Mining restava un passaggio fondamentale: la trasformazione dei dati. Immagini un cliente che arriva con una banconota da un dollaro tutta spiegazzata. La accetterebbe comunque, ma una banconota pulita e ben conservata sarebbe più facile da gestire. È questo il principio alla base della pulizia dei dati.

Ecco che cosa dovevamo fare:

• Caso chiuso: un processo è come il percorso di un cliente: ha un inizio, una parte centrale e una conclusione. Dovevamo collegare ogni evento relativo a un singolo caso cliente, compresi l’ordine, il tempo di attesa e la consegna finale della limonata. Era come raccogliere e organizzare tutte le ricevute di una singola visita.
• Il linguaggio del processo: i nostri dati non descrivevano sempre il processo in modo chiaro. Le attività dovevano rappresentare cambiamenti di stato definiti nel caso di ciascun cliente. Ad esempio, «Cliente soddisfatto!» era troppo generico. Serviva uno stato chiaro, come «Limonata consegnata».

Non era la parte più affascinante del progetto, ma una preparazione accurata dei dati e definizioni chiare ci hanno permesso di ottenere un dataset pulito. Con il Process Mining applicato a questi dati trasformati, potevamo individuare le cause delle lunghe code e trasformare il nostro chiosco della limonata in un’attività più efficiente.