Waarom we out-of-the-box-connectors overslaan

Op zoek naar datatemplates? Bekijk onze gidsen voor continue procesverbetering met kant-en-klare templates voor processen zoals Purchase to Pay, Order to Cash en Accounts Payable.

Process mining heeft data nodig, maar we pakken het verkeerd aan

‘Data is 80% van het werk bij process mining.’

Je hebt deze statistiek waarschijnlijk al gehoord. Wij hebben het in elk geval vaak genoeg meegemaakt. Maar dit is de ongemakkelijke waarheid: dat data 80% van het werk kost, is geen natuurwet. Het is een symptoom van een verkeerde aanpak.

Wanneer data-extractie een project van maanden wordt, is er iets misgegaan. Het doel van process mining is niet een perfecte datapijplijn, maar inzicht. Bijvoorbeeld ontdekken dat facturen 12 dagen onaangeroerd blijven liggen voordat iemand ernaar kijkt. Of vaststellen dat 40% van de orders handmatig moet worden verwerkt door een verkeerd geconfigureerd systeem.

Data is een middel, geen doel op zich.

Waarom blijven zoveel process mining-projecten dan steken in de datafase? Vaak komt het neer op één beslissing: kiezen voor out-of-the-box-connectors.

De belofte van out-of-the-box-connectors

In een ideale wereld zou dit een grote verandering teweegbrengen. Eerlijk is eerlijk: we hebben het zien werken in demo’s en soms zelfs in eenvoudige productieomgevingen met standaard systeemconfiguraties.

Maar dit is het punt: jouw organisatie is geen demo-omgeving.

De werkelijkheid

We helpen organisaties al jaren met process mining. We hebben gezien wat werkt en wat niet. Keer op keer zagen we dat out-of-the-box-connectors meer problemen veroorzaken dan ze oplossen.

De ‘snelle inrichting’ die een jaar duurt

Een van onze klanten begon enthousiast aan process mining met de SAP-connector van een leverancier. ‘Binnen drie weken het eerste inzicht’, werd beloofd.

Achttien maanden later waren ze nog steeds problemen met de datakwaliteit aan het opsporen.

Dit is geen uitzondering. We hebben connectorprojecten meer dan een jaar zien duren, waarbij zowel budget als enthousiasme volledig werd opgeslokt. De ‘eenvoudige’ inrichting blijkt allesbehalve eenvoudig zodra de werkelijkheid de verkooppraat inhaalt.

Waarom connectors in de praktijk vastlopen

• Je systeem is niet standaard. Connectors zijn gebouwd voor specifieke versies van specifieke software. Maar organisaties passen systemen aan. Ze voegen velden toe, wijzigen workflows en veranderen tabelstructuren. Dat ERP-systeem waar je mee werkt? Het is waarschijnlijk in tien jaar tijd steeds verder aangepast. De connector verwacht een installatie volgens het boekje, terwijl jij een levend systeem hebt dat door jarenlange bedrijfsbeslissingen is gevormd.

• Connectors proberen alles op te lossen. Een connector die elke mogelijke process mining-use case moet ondersteunen, wordt al snel enorm complex. Hij moet uitzonderingssituaties afhandelen die je nooit tegenkomt en ondersteunt mogelijk juist niet de specifieke analyse die je nodig hebt. Door deze one-size-fits-all-aanpak krijg je complexiteit die niets toevoegt aan je project.

• De doolhof van meerdere tabellen. De meeste connectors werken met meerdere brontabellen. Dat klinkt krachtig en dat is het ook. Maar het opzetten en onderhouden van deze tabelrelaties is complex. Je moet niet alleen je bedrijfsproces begrijpen, maar ook het datamodel van de connector, het datamodel van het bronsysteem en de manier waarop die modellen aan elkaar gekoppeld moeten worden. Dat zijn veel modellen.

• Black boxes wekken wantrouwen. Als er iets misgaat met een connector, en dat gebeurt altijd wel een keer, kun je niet zien wat er binnenin gebeurt. Klopt de data in het bronsysteem niet? Zet de connector de data verkeerd om? Zit er een configuratieprobleem in? Je debugt blind. Dat frustreert iedereen en maakt het bijna onmogelijk om resultaten aan belanghebbenden uit te leggen.

• Dubbel werk. Dit is de ironie: veel organisaties hebben al schone, voorbereide data in hun datawarehouse of datalake. Data-engineers hebben jarenlang pijplijnen gebouwd, datakwaliteitsproblemen opgelost en betrouwbare datasets gemaakt. Een connector negeert dat werk en begint opnieuw. Daardoor kunnen verschillen ontstaan met de data die de organisatie al vertrouwt.

• Generieke namen zorgen voor verwarring. Connectors gebruiken gestandaardiseerde terminologie die misschien niet aansluit bij de manier waarop jouw organisatie processen beschrijft. Als de connector iets ‘Order Confirmation’ noemt, terwijl jouw team ‘Sales Acknowledgment’ zegt, heb je een vertaallaag gecreëerd die elk gesprek vertraagt.

• De ETL-valkuil. De meeste connectors dwingen je de ETL-tools van de leverancier te gebruiken. Dat betekent propriëtaire systemen leren, afhankelijk worden van functies van één leverancier en kennis opbouwen die je niet naar andere tools kunt meenemen. Ondertussen heeft je organisatie waarschijnlijk al ETL-infrastructuur en mensen die weten hoe je die gebruikt.

• Vendor lock-in zit ingebouwd. Laten we er geen doekjes om winden: complexe, propriëtaire datapijplijnen zijn vanuit het perspectief van de leverancier een functie, geen fout. Zodra je zes maanden hebt geïnvesteerd in infrastructuur op basis van connectors, wordt overstappen naar een andere tool enorm duur. Dat is geen toeval.

De verborgen kosten

Onze aanpak: datatemplates

Wij kozen een andere route. In plaats van connectors te bouwen, maakten we datatemplates.

De gedachte is eenvoudig: bepaal welke data je nodig hebt in een formaat dat bij je proces past en makkelijk te genereren is.

Begin met Excel

Ja, echt. Je kunt met Excel beginnen.

Nieuw met event logs? In onze gids over een process mining-event log maken leer je stap voor stap hoe je je eerste event log opbouwt, met voorbeelden in Excel en SQL.

Onze datatemplates geven precies aan welke kolommen je nodig hebt voor elk type analyse. Voor veel processen zijn dat een Case ID, een Timestamp en een Activity-naam, aangevuld met attributen die voor je bedrijfsvoering relevant zijn.

Je kunt dit vandaag zelf maken. Je hoeft niet op IT te wachten, geen inkoopproces te doorlopen en geen consultant in te schakelen. Exporteer data uit je systeem, zet die in ons templateformaat, upload de data en analyseer je proces.

Is het perfect? Nee. Is het snel? Zeker. En snelheid is belangrijker dan perfectie als je je proces probeert te begrijpen.

Waarom één tabel?

Voor de meeste analyses gebruiken we bewust één tabel. Dat lijkt misschien beperkend, tot je begrijpt waarom:

1. Makkelijk te begrijpen: Iedereen kan naar een spreadsheet kijken en begrijpen wat er gebeurt
2. Makkelijk te maken: Geen complexe joins of beheer van relaties
3. Process mining doet dit toch: Ook tools die meerdere tabellen inlezen, voegen die voor analyse samen tot een event log

Je kunt in ProcessMind nog steeds met meerdere tabellen werken, met verschillende perspectieven, processen en zelfs object-centric process mining. Maar je hoeft daar niet mee te beginnen. Begin eenvoudig en voeg alleen complexiteit toe als die waarde oplevert.

Werk samen met je datateam

Dit hebben we geleerd: de connectoraanpak omzeilt vaak je data-engineers. Dat is een fout.

Je datateam kent je systemen. Het weet waar problemen met de datakwaliteit zitten. Het weet welke velden je kunt vertrouwen en welke je moet controleren. Waarschijnlijk heeft het al veel problemen opgelost waar een connector tegenaan zou lopen.

Onze datatemplates zorgen voor een gemeenschappelijke taal. Geef de template aan je data-engineer en die begrijpt meteen wat nodig is. Met bekende tools, zoals SQL, het bestaande ETL-platform en het datawarehouse, kan die precies de benodigde data genereren.

Geen nieuwe systemen om te leren. Geen training van een leverancier in een eigen systeem. Alleen duidelijke eisen waaraan ervaren dataspecialisten snel kunnen voldoen.

Gebruik wat je al hebt

De meeste organisaties beschikken al over een flinke data-infrastructuur:

• Datawarehouses met opgeschoonde, gevalideerde data
• ETL-pipelines die informatie betrouwbaar verplaatsen
• Datalakes met historische gegevens
• Business-intelligence-tools met bestaande query’s

Met de templateaanpak kun je dit allemaal gebruiken. Bouw niet opnieuw wat al bestaat. Maak geen parallelle datapipelines. Gebruik de investeringen die je al hebt gedaan.

Dit betekent ook dat je de data die je voor process mining voorbereidt, ergens anders opnieuw kunt gebruiken. Bouw één dataset en gebruik die voor process mining, machine learning, traditionele BI en wat er daarna komt. Dat werkt efficiënt.

Flexibiliteit dankzij AI

Klaar om aan de slag te gaan?

We hebben ProcessMind rond deze principes gebouwd: eenvoudige data-eisen, snel resultaat en controle in eigen hand.

Bekijk onze gidsen voor continue procesverbetering voor datatemplates voor veelvoorkomende processen. Elke gids bevat:

• Procesactiviteiten en de data die je moet vastleggen
• Templatebestanden die je meteen kunt gebruiken
• Instructies voor populaire systemen zoals SAP, Oracle en Microsoft Dynamics
• Best practices voor datavoorbereiding

Of start je gratis proefperiode en upload wat data. Het kan je verrassen hoe snel inzichten verschijnen als je niet hoeft te wachten tot een connector is geconfigureerd.

Data is niet het doel. Je proces begrijpen wel. Laten we daar sneller komen.