Process Miningに必要なデータの基礎知識

生データを持っていますか？それは最初の材料に過ぎません！Process Miningはクリーンなデータを好むので、イベントデータを完璧に整理して準備しましょう。それが強力なプロセスインサイトを得る秘訣です！

第1章：Process Miningを始めるために必要なデータとは

あなたがレモネードスタンドを運営していて、もし記憶力があまり良くない場合、ビジネスの状況を理解するには、次の基本データを記録することが大切です：

• Customer ID (CaseID)：お客様ごとに割り振られる番号です。同じ人が何度も利用しているのか、または苦情を言っているのか分かります。
• Action Taken (Activity)：どんな行動をしたか（例：「Take Order」「Prepare Lemonade」「Resolve Angry Customer Complaint」など）。
• Action Time (Timestamp)：その行動をした時刻。アクションの順序を知るのは重要です！

この3つのデータだけで、Process Miningはスタンドの流れやボトルネック（たとえばレモネード作成が遅いなど）を見つけたり、不満を持つお客様を特定したりできます。

データ例（テーブル）：

一見すると情報は少なく見えますが、このデータだけでProcess Miningはスタートし、あなたのレモネードスタンドの効率や改善点を明らかにできます！

第2章：失われたレモネードログ事件

私たちのレモネードスタンドは大人気！秘伝レシピが好評でビジネスも絶好調。でも、成功の裏側には新たな問題が。お客様の行列はどんどん長くなり、イライラする人も増えて、何が原因なのかわからない…！

あの小さなスパイ（Process Mining）を覚えていますか？実は魔法じゃなく、良い情報が必要。でも手元にあるのはナプキンの走り書きだけ。ここから混乱が始まりました：

• データ探偵: 最初の課題は情報集め。注文メモは付箋、レシート、ポケットのぐちゃぐちゃナプキンなど、バラバラに散在。まるで複数のデータベースやフラットファイル、Message Logなどから情報を探す探偵のようでした。
• 同じ言葉で話す: 見つかったデータも、内容がバラバラ。「Customer Happy!」や顔マークだけのメモもあり、スパイが理解できるようデータ標準化（data standardization）が必要でした。
• 正しい質問をする: 本当に知りたいことは？行列が長いのは注文が遅いから？レモネード作りが遅いから？「正しい問い」を考えることで、データ収集や異なる視点での分析（different views on the data）に役立ちました。

このデータ整理は新たな冒険でした。でも、少しの探偵力とデータ好きなスパイの力で、次の章ではレモネードスタンドを最適化し、ご近所の自慢になったのです！

Chapter 3: 大規模データ発掘

レモネードスタンドは大成功したものの、行列は悪夢でした！データスパイ（Process Mining）の助けが必要であることはわかっていましたが、まずはそれに適した情報を手に入れる必要がありました。それは、データ抽出の世界に深く入ることで、基本的に顧客に関する隠れた手掛かりを見つけ、スパイが理解できるものに変えることを意味していました。

ここで発見したこと:

• 宝探し: 時々、データは埋もれた宝物のようで、システムのほこりをかぶった隅に隠されていました（ウェブページ、メール、PDFなど）。古いファイルを掘り起こし、screen scrapingのようなツールを使って必要な情報を発掘する必要がありました。
• 失われた翻訳: データを見つけても、はっきりしないことがよくありました。ナプキンに書かれたヒント（非構造化データ）や、秘密のコードに隠されたもの（メタデータの欠如）さえありました。それらを解読するための翻訳者（データ標準化）が必要でした。
• 焦点が鍵: データソースが非常に多く（数千のテーブル！）、すべてを取り込むことが誘惑的でした。しかし、アイスクリーム店で全てのフレーバーを試してみることはできないのと同様に、答えを求めている質問に焦点を合わせる必要がありました。顧客が注文に時間がかかりすぎているのか、それともレモネードを作るところがボトルネックになっているのか？これらの重要な質問に焦点を当てることで、抽出するデータの優先順位を決定するのに役立ちました。

簡単ではありませんでしたが、少しの労力と好奇心のおかげで、データの宝庫を発掘することができました。次の章では、この混乱をどう片づけ、そしてついにデータスパイを使いこなせるようになったかを見ていきます！

第4章：データ デトックス

第3章の頑張りでデータは山のように集まりました。でも、その中身は使える顧客情報もあれば意味のないメモも混ざったごちゃ混ぜ状態。データの断捨離が必要になりました！

ここで大活躍したのがフィルタリング。散らかったツールボックスを整理するようなものです。最初は大きな枠（coarse-grained scoping）でデータを抽出し、次は細かく（fine-grained scoping）仕分けしました。

フィルタリングのアプローチ：

• スターにフォーカス: 注文が多いアクティビティ（注文・待ち・受け取り）を新しいツールのように例え、上位10件に絞りました。これでdata spyの分析も効率的。他はしばらく保留です。
• 繰り返しがカギ: フィルタリングは1回きりではありません。整理したデータをProcess Miningで分析しながら必要に応じてフィルターを調整。新しいヒントでどんどん改善していきました。

データがすっきりしたら、次の章でついにProcess Miningの本格出番！discovery、conformance、enhancementなどでレモネードスタンドの課題を特定し、地域一番の効率的な店舗に！

第5章：データ メイクオーバー

データ デトックス（第4章）でスッキリしましたが、Process Miningの前に最後の重要な「データ メイクオーバー」が必要でした！お札もキレイな方が扱いやすいですよね。それがデータクリーニングの発想です。

やるべきことはこちら：

• Caseのひもづけ: プロセスは顧客の旅（Journey）のようなもの。始まりがあり、途中があり、終わりがあります。1人の顧客（case）のorder、待ち時間、受け取りをしっかり関連付け。1回の来店ごとにレシートを整理するイメージ。
• プロセス言語で表現: データが必ずしもプロセスを表しているとは限りません。各アクティビティをcaseにおけるステータスの変化としてわかりやすく定義。「Customer Happy!」は曖昧なので、「Lemonade Delivered」のような明確なステータスを使いました。

地味な作業ですが、この調整でようやくピカピカのデータセットに！Process Miningで行列の謎も解け、レモネードスタンドは効率的で魅力的なお店へ生まれ変わりました！