Process mining-connectors: wanneer zijn ze de moeite waard?

Wat beloven process mining-connectors en wat kosten ze?

Out-of-the-box connectors voor process mining beloven een snelle stap van bronsysteem naar analyse: verbind een applicatie, haal de data op en vernieuw die volgens een schema. Dat werkt goed als de connector je systeem ondersteunt en past bij je data-eisen. Maar aansluiten en klaar is het niet altijd. Je moet ook de systeemconfiguratie, het datamodel, de beveiligingseisen en de vragen die je wilt beantwoorden controleren.

Een connector bouwen of configureren kan betekenen dat je velden koppelt, resultaten valideert en rekening houdt met aangepaste workflows of systeemwijzigingen. Je datateam beheert misschien al betrouwbare datasets. Een nieuwe connector kan dan dubbel werk opleveren in plaats van voort te bouwen op wat er al is.

Ook daarna blijft er werk. Iemand moet de datastroom onderhouden, wijzigingen oplossen en begrijpen hoe de connector data omzet. Als dat werk je eerste analyse vertraagt, heeft het gemak van de connector een prijs.

Wat een connector goed moet doen

De belofte is eenvoudig: wijs je systeem aan, druk op een knop, ontvang data in het juiste formaat en plan updates in. Het meeste werk zit in alles wat die korte uitleg weglaat.

• Je systeem is niet standaard. Connectors zijn gemaakt voor specifieke versies van specifieke software, terwijl bedrijven hun systemen aanpassen: ze voegen velden toe, veranderen workflows en richten tabellen anders in. Een systeem dat al tien jaar in ontwikkeling is, ziet er niet uit als een standaardinstallatie.
• Een connector moet alles aankunnen. Een connector die elke mogelijke analyse moet ondersteunen, groeit mee met uitzonderingen die je nooit tegenkomt, maar mist misschien nog steeds de vraag waarvoor je hem nodig hebt.
• Het doolhof van meerdere tabellen. De meeste connectors verwachten meerdere gerelateerde brontabellen. Je moet dan je bedrijfsproces, het datamodel van de connector, het datamodel van het bronsysteem en de onderlinge koppelingen begrijpen.
• Een black box is lastig te vertrouwen. Als er iets misgaat, kun je niet zien wat er binnenin gebeurt. Klopt de brondataset niet, zet de connector de data verkeerd om of ligt het aan de configuratie? Zonder inzicht is het lastig om de oorzaak te vinden en het resultaat uit te leggen aan de mensen die ermee aan de slag moeten.
• Generieke namen vragen om extra uitleg. Noemt de connector iets “Order Confirmation” terwijl je team het “Sales Acknowledgment” noemt, dan moet je dat verschil in elk gesprek uitleggen.

De werkelijke kosten

Ook het technische werk komt op de begroting terecht, maar zelden op de post waarvoor het was gepland.

• Tijd. Maanden bezig met data-extractie in plaats van analyse.
• Geld. Connectorlicenties en advieskosten voor de inrichting.
• Gemiste kansen. Verbeteringen blijven liggen terwijl de datastroom wordt gebouwd.
• Motivatie. Teams verliezen vaart als een project vastloopt in de datafase.
• Vertrouwen. Stakeholders vragen zich af wat process mining oplevert als het eerste project uitloopt.

Een organisatie waarmee we werkten, kreeg van een leverancier de belofte “binnen drie weken de eerste inzichten” via een SAP-connector. Achttien maanden later waren ze nog steeds bezig de datakwaliteit te verbeteren. Dat gebeurt niet altijd, maar het komt vaak genoeg voor. Daarom kijken we eerst naar de kosten van een connector voordat we die aanraden.

Wanneer zijn connectors de moeite waard?

Connectors kunnen een goede keuze zijn als je vaak grote hoeveelheden data op dezelfde manier wilt ophalen en het bronsysteem goed wordt ondersteund. Ze kunnen ook passen in gereguleerde omgevingen waar je organisatie een beheerde datastroom met vaste beveiligings- en governanceprocessen vereist.

In die gevallen zit het voordeel in het herhaaldelijk uitvoeren van dezelfde data-extractie. Een connector kan terugkerend handwerk verminderen, mits die geschikt is voor je systeemconfiguratie en data-eisen.

Controleer voordat je een keuze maakt welke systeemversies en configuraties de connector ondersteunt, welke data die ophaalt, hoe die met aanpassingen omgaat en wie het onderhoud doet. Een connector is alleen nuttig als die past bij de manier waarop je systemen en teams werken.

Wanneer heb je een connector misschien niet nodig?

Als je voor het eerst een procesvraag onderzoekt, weet je misschien nog niet welke data je nodig hebt of of de analyse iets oplevert. Een terugkerende datastroom bouwen voordat je die vragen hebt beantwoord, kan extra werk opleveren voordat je weet wat automatisering waard is.

Een connector kan ook maar een deel afdekken van een proces dat meerdere systemen omvat. Mogelijk moet je data nog combineren, verschillen in benamingen oplossen en het resultaat controleren. Een connector voor één applicatie lost niet automatisch het hele probleem van datavoorbereiding op.

Voor een eerste analyse kan een bestaande export genoeg zijn om je vraag te toetsen. Je kunt de dataset aanpassen zodra je ziet wat er ontbreekt.

Ook als een connector past, brengt die drie kosten met zich mee:

• Dubbel werk. Veel organisaties hebben al opgeschoonde, voorbereide data in een datawarehouse of datameer. Een datateam heeft daar vaak jaren aan gewerkt om problemen met datakwaliteit op te lossen. Een connector begint opnieuw en kan verschillen veroorzaken met data die het bedrijf al vertrouwt.
• De ETL-valkuil. Connectors worden meestal geleverd met de eigen tools van de leverancier. Je team leert dan een eigen systeem gebruiken in plaats van de infrastructuur die het al beheert en kent.
• Afhankelijkheid om rekening mee te houden. Een datastroom die zes maanden kostte om te bouwen, is duur om te vervangen. Dat is goed om te weten voordat je eraan begint.

Data realtime ophalen verandert ook de analyse. Met een dataset die voortdurend verandert, is het lastiger om een nulmeting vast te stellen. De datastroom vraagt doorlopend toezicht, de rekenkosten blijven oplopen en perioden vergelijken wordt minder eenvoudig. Beantwoordt een maandelijkse update je vraag, dan kost een datastroom die altijd aanstaat extra geld zonder meer inzicht op te leveren.

Hoe werken datatemplates?

Met datatemplates kun je beginnen met data die je al hebt, zonder eerst een voorgebouwde connector in te richten. Een template beschrijft welke velden een analyse nodig heeft en in welk formaat jij of je datateam die kan voorbereiden.

Begin met een gids voor je proces

Zoek je proces of systeem in de procesverbeteringsgidsen. Elke gids behandelt één proces, of één proces in één systeem. Je vindt er informatie over uitdagingen, doelen, activiteiten en data-eisen, plus een downloadbare Excel-template.

Staat je proces niet op de lijst, begin dan met de generieke datatemplate. In beide gevallen sluiten de kolommen aan op wat de analyse verwacht. Je team kan ze vullen vanuit een export, zonder het schema helemaal zelf te ontwerpen.

Begin met Excel

Voor veel analyses kun je beginnen met een spreadsheet met een Case-ID, een Timestamp en een Activity-naam, plus eventuele andere attributen die relevant zijn voor je vraag. Exporteer de data waartoe je toegang hebt, zet die in het formaat van de template, upload het bestand en ga op onderzoek uit.

Je hebt geen complete, geautomatiseerde datastroom nodig om een idee te toetsen. Misschien moet je de eerste dataset nog aanpassen. Zo leer je wat de analyse nodig heeft.

Nieuw met event logs? Lees hoe je een event log maakt, met voorbeelden in Excel en SQL.

Begin met één tabel

We kiezen bewust voor één tabel bij de meeste analyses.

1. Je kunt de data makkelijk controleren. Iedereen kan een spreadsheet openen en zien wat erin staat.
2. Je kunt de data makkelijk aanleveren. Je hebt geen joins of beheer van relaties nodig voordat je begint met analyseren.
3. Process mining voegt de data toch samen. Tools die meerdere tabellen inlezen, maken vóór de analyse één event log.

Als je vraag daarom vraagt, kun je in ProcessMind met meerdere tabellen werken, met verschillende perspectieven en processen. Maar je hoeft daar niet mee te beginnen. Kies eerst de eenvoudigste dataset waarmee je je vraag kunt beantwoorden.

Werk samen met je datateam

Je datateam weet hoe je systemen zijn ingericht, welke velden betrouwbaar zijn en welke data al beschikbaar is. Met een duidelijke template geef je het team concrete eisen, zonder dat het een eigen datamodel hoeft te leren.

Het team kan vertrouwde tools en infrastructuur gebruiken, zoals SQL, bestaande ETL-platforms, datawarehouses en datameren. Zo bouw je voort op betrouwbare data in plaats van een parallelle datastroom op te zetten.

Praktische uitleg over het voorbereiden van een event log vind je in de documentatie over datavoorbereiding.

Gebruik AI om velden te koppelen

Kolomnamen in een export komen mogelijk niet precies overeen met de template. Tijdens het uploaden herkent ProcessMind vaak velden zoals Case-ID, Timestamp en Activiteit. Is een veld verkeerd gekoppeld, dan kun je dat handmatig aanpassen.

Zo kun je een bestaande export gebruiken voor analyse, zonder dat elk bronbestand vooraf perfect hoeft te zijn opgemaakt.

Hoe werkt het bijwerken van data in de praktijk?

Een geplande update is handig als je een proces regelmatig wilt monitoren. Maar voor een eerste vraag of om prestaties over tijd te vergelijken, zijn doorlopende updates niet altijd nodig.

Voor veel analyses is een stabiele dataset die volgens een vast schema wordt bijgewerkt makkelijker te interpreteren. Je stelt een nulmeting vast, voert een verandering door en vergelijkt de resultaten met die nulmeting. Hoe vaak je de data bijwerkt, hangt af van hoe vaak je proces verandert en hoe snel je moet reageren.

Bepaal eerst hoe vaak de analyse nieuwe data nodig heeft. Beantwoordt een maandelijkse of kwartaalupdate je vraag, dan vraagt een realtime datastroom misschien extra werk zonder dat de beslissing er beter van wordt.

Wat als je later automatisering nodig hebt?

Zodra je weet welke data je nodig hebt en dat de analyse bruikbaar is, kan je datateam een herhaalbare datalading bouwen. ProcessMind heeft daarvoor een REST API. Een taak die je team al inplant, kan de export uploaden als nieuwe dataset of als update van een bestaande dataset. In het API-overzicht lees je meer over authenticatie en de endpoints.

Het product heeft bewust geen ingebouwde planner. De planning, inloggegevens en monitoring blijven in de infrastructuur die je team al beheert. Zo hoef je niet nog een plek in te richten en in de gaten te houden.

Je hoeft niet te automatiseren voordat je weet wat je wilt automatiseren. Begin met een export, controleer de analyse en bepaal daarna of een terugkerende datalading de moeite waard is. Wordt het een datastroom, dan gelden de afwegingen die we bespreken in ETL voor process mining.

Wanneer kies je een leverancier met voorgebouwde connectors?

Een leverancier met voorgebouwde connectors kan een betere keuze zijn als je een ondersteunde, terugkerende data-extractie nodig hebt uit een systeem waarvoor de connector geschikt is, en die aansluit op je configuratie- en governance-eisen. Dat kan vooral belangrijk zijn bij frequente dataladingen of gereguleerde datastromen waarvoor je organisatie een specifieke integratieaanpak vereist.

Vraag voordat je kiest welke systemen de connector ondersteunt, hoe die met aanpassingen omgaat, hoeveel onderhoud nodig is en of je de resulterende data kunt bekijken en hergebruiken. Wil je eerst een analyse toetsen, dan is een bestaande export met een datatemplate misschien een eenvoudiger begin.

De afweging is eenvoudig: connectors kunnen terugkerend werk voor data-extractie verminderen als ze bij je behoeften passen. Met templates kun je beginnen met beschikbare data, zonder eerst een connectorproject op te zetten. De data blijft van jou, zonder leveranciersafhankelijkheid. Automatiseren kan later altijd nog.