De basisdata voor process mining

Ruwe data is slechts het begin. Process mining werkt met schone, goed gestructureerde eventdata. Leer hoe je data beoordeelt, voorbereidt en verbetert voor betrouwbare procesinzichten.

Hoofdstuk 1: Welke data heb je nodig om te beginnen

Stel je voor dat je een limonadekraam runt, maar een slecht geheugen hebt. Om te begrijpen hoe goed je kraam het doet, besluit je drie basisgegevens bij te houden:

• Klant-ID (CaseID): Dit nummer identificeert elke klant. Zo zie je of dezelfde persoon terugkomt voor meer limonade of om te klagen over een zure batch.
• Uitgevoerde actie (Activity): Hiermee leg je vast wat er is gebeurd. Heb je “Take Order”, “Prepare Lemonade” of “Resolve Angry Customer Complaint” uitgevoerd? Hopelijk niet al te vaak.
• Actietijd (Timestamp): Hiermee leg je vast wanneer elke actie plaatsvond. Je hebt de volgorde van de acties nodig om het proces te begrijpen.

Met deze drie datapunten werkt process mining als een kleine detective bij je kraam. Je ziet de basisstroom van klanten, ontdekt knelpunten zoals een trage limonadebereiding en ziet of sommige klanten vaker klagen dan andere. Dat geeft je een duidelijk startpunt voor verbetering.

Zo kunnen de data er bijvoorbeeld uitzien in een tabel:*

Dit lijkt misschien weinig informatie, maar het geeft process mining genoeg data om vragen te stellen en eerste inzichten te krijgen in de efficiëntie van je limonadekraam.

Hoofdstuk 2: De zaak van de ontbrekende limonadelogs

Onze limonadekraam was een groot succes. Klanten waren dol op ons geheime recept, meestal dan, en de zaken gingen goed. Maar succes bracht een nieuw probleem met zich mee: we werden overspoeld door klanten. De rijen werden langer, de gemoederen liepen op en het ergste was dat we niet wisten waarom.

Weet je nog, de kleine detective die we hadden ingehuurd, process mining? Die kon geen wonderen verrichten. Betrouwbare informatie was nodig, maar wij hadden alleen wat krabbels op een servet. Dit maakte het ingewikkeld:

Het opruimen van deze datarommel werd een nieuw project. In het volgende hoofdstuk zie je hoe wat speurwerk en hulp van onze datagerichte process mining-oplossing ons hielpen de limonadekraam te optimaliseren en de afgunst van de buurt te worden.

Hoofdstuk 3: De grote data-opgraving

Onze limonadekraam was een groot succes, maar de rijen waren een ramp. We wisten dat process mining kon helpen, maar eerst moesten we betrouwbare process mining-data aanleveren. Dat betekende een diepe duik in data-extractie: verborgen aanwijzingen over onze klanten vinden en die omzetten in informatie die process mining kon interpreteren.

Dit ontdekten we:

• Schatgraven: Soms leek de data op een begraven schat, verborgen in stoffige hoeken van onze systemen, zoals webpagina’s, e-mails en pdf’s. We moesten data-archeologen worden, door oude bestanden graven en tools zoals screen scraping gebruiken om de informatie te vinden die we nodig hadden.
• Verdwaald in de vertaling: Zelfs nadat we de data hadden gevonden, was die niet altijd duidelijk. Sommige aanwijzingen waren op servetten gekrabbeld en vormden ongestructureerde data, terwijl andere metadata misten. We hadden datastandaardisatie nodig om alles te kunnen interpreteren.
• Focus is belangrijk: Met duizenden tabellen in onze process mining-bronnen was het verleidelijk om alles te verzamelen. Maar net zoals je in een ijssalon niet elke smaakcombinatie probeert, moesten we ons richten op de vragen die we wilden beantwoorden. Deden klanten te lang over hun bestelling, of waren wij het knelpunt bij het maken van limonade? Deze vragen hielpen ons bepalen welke data we moesten extraheren.

Het kostte moeite, maar met nieuwsgierigheid en zorgvuldig werk ontdekten we een waardevolle set process mining-data. In het volgende hoofdstuk zie je hoe we die opschoonden en process mining voor ons lieten werken.

Hoofdstuk 4: De data-detox

Na onze extractie-inspanningen in hoofdstuk 3 hadden we een berg data. Maar de dataset was niet consistent: sommige klantgegevens waren bruikbaar, sommige invoer bestond uit losse notities en veel data was irrelevant. Het was tijd voor een data-detox.

Filteren werd onze nieuwe beste vriend. Zie het als het sorteren van een rommelige gereedschapskist. Tijdens de extractie begonnen we met een brede, grove afbakening. Nu was het tijd voor een gedetailleerde, fijnmazige afbakening.

Zo pakten we de filteruitdaging aan:

Nu de data grotendeels schoon was, was het tijd om in het volgende hoofdstuk process mining toe te passen. We zouden discovery, conformance en enhancement onderzoeken om problemen bij de limonadekraam vast te stellen en de efficiëntie te verbeteren.

Hoofdstuk 5: De make-over van de data

Onze data-detox in hoofdstuk 4 hielp, maar voordat we process mining konden toepassen, bleef er nog één belangrijke stap over: de make-over van de data. Stel je voor dat een klant aankomt met een verfrommeld dollarbiljet. Je zou het nog steeds aannemen, maar een strak, schoon biljet is makkelijker te verwerken. Dat is het idee achter datacleaning.

Dit moesten we doen:

• Zaak gesloten: Een proces lijkt op de reis van een klant: het heeft een begin, midden en einde. We moesten elk event dat bij één klantcase hoorde met elkaar verbinden, inclusief de bestelling, wachttijd en uiteindelijke levering van de limonade. Zie het als het ordenen van alle kassabonnen van één klantbezoek.
• Proces spreken: Onze data beschreef het proces niet altijd duidelijk. Activiteiten moesten gedefinieerde statuswijzigingen in de case van elke klant weergeven. “Klant blij!” was bijvoorbeeld te vaag. We hadden een duidelijke status nodig, zoals “Limonade geleverd”.

Het was niet het meest spectaculaire onderdeel van het project, maar zorgvuldige datavoorbereiding en duidelijke definities leverden ons een schone dataset op. Met process mining op deze getransformeerde data konden we de oorzaken van de lange rijen ontdekken en onze limonadekraam efficiënter maken.