Wat is process mining? Zo zie je hoe werk echt verloopt
Lees wat process mining is, hoe het werkt, welke drie typen er zijn, waarvoor je het kunt gebruiken en hoe je begint.
Wat is process mining?
Wat is process mining? Met event data uit IT-systemen ontdek, analyseer en verbeter je hoe processen in de praktijk verlopen. Door activiteiten te koppelen aan cases en timestamps, laat process mining zien welke route het werk aflegt, hoelang stappen duren en waar de praktijk afwijkt van de verwachting.
Een event log registreert activiteiten, timestamps en case-ID’s. Process mining groepeert die gebeurtenissen per case en reconstrueert de processtroom. Je kunt de resultaten gebruiken om bottlenecks, herstelwerk en afwijkingen van een referentieproces te onderzoeken. De analyse levert bewijs; je team bepaalt wat je ermee doet.
Lees onze gids over process mining-software voor meer informatie over tools voor process mining.
Wil van der Aalst, een pionier op het gebied van process mining, vergeleek het met een MRI-scan van een bedrijf: je ziet ermee wat er onder de oppervlakte gebeurt. Dat inzicht kan helpen bij procesverbetering en digitale transformatie. Bekijk onze strategische gids voor datagedreven procesverbetering.
Stel je voor dat een klantorder van ontvangst en goedkeuring naar verzending gaat. Elke stap kan een digitaal spoor achterlaten. Process mining verbindt die registraties en laat zien welke route elke order heeft gevolgd, inclusief omwegen en uitzonderingen. In plaats van alleen op interviews of aannames te vertrouwen, kun je de routes in de data bekijken.
De resultaten hangen af van de kwaliteit van de eventdata en de context erachter. Een procesdiagram kan de beoogde route tonen; process mining laat zien wat er volgens de registraties is gebeurd.
Hoe werkt process mining?
Process mining begint met eventdata uit je IT-systemen. Elke gebeurtenis heeft meestal drie velden nodig:
- Case-ID: De identificatiecode van een procesinstantie, zoals een order of supportticket.
- Activiteit: De stap die is uitgevoerd.
- Timestamp: Het tijdstip waarop die stap plaatsvond.
De software groepeert gebeurtenissen op Case-ID en sorteert ze op timestamp. Daarna reconstrueert de software de routes die cases hebben gevolgd en toont die als procesmodel. Je kunt routes vergelijken, doorlooptijden bekijken en patronen opsporen, zoals herhaalde stappen of lange wachttijden.
De kwaliteit van het resultaat hangt af van de data. Ontbrekende timestamps, inconsistente activiteitsnamen of onjuiste case-ID’s kunnen de analyse vertekenen. Lees waar je procesdata vindt en welke dataformaten worden ondersteund.
Drie typen process mining
De drie typen process mining beantwoorden elk een andere vraag:
-
Process Discovery maakt een procesmodel op basis van eventlogdata. Zo zie je welke routes cases daadwerkelijk volgen, ook als die variaties nog niet zijn vastgelegd.
-
Conformance Checking vergelijkt het werkelijke procesgedrag met een referentiemodel. Zo vind je cases die de verwachte stappen volgen, overslaan of ervan afwijken.
-
Process Enhancement voegt informatie uit event logs toe aan een bestaand procesmodel. Je kunt bijvoorbeeld prestatiegegevens toevoegen, zoals wachttijd of de duur van een activiteit, om te zien hoe het proces presteert.
Een project begint vaak met discovery. Daarna kun je met conformance checking verschillen met het referentieproces onderzoeken. Enhancement voegt prestatiegegevens toe aan het model. Kies de aanpak die past bij de vraag die je wilt beantwoorden.
Iedereen kan process mining gebruiken
Je hoeft geen data scientist te zijn om procesdata te onderzoeken. Analisten, proceseigenaren, teams voor bedrijfsvoering en IT-teams kunnen samen een vraag formuleren, een event log voorbereiden en de resultaten van de analyse bekijken.
Een praktische eerste stap is:
- Kies een proces en formuleer een concrete vraag.
- Bepaal welke systeemdata de activiteiten registreert.
- Maak een event log met Case-ID’s, activiteitsnamen en timestamps.
- Bekijk de ontdekte processtroom en onderzoek de routes die ertoe doen.
- Bespreek de bevindingen met mensen die het werk kennen.
De 5 stappen van process mining
Verzamel data
Verzamel event data uit je systemen, zoals registraties van elke stap in een order-to-cash-proces. Een Excel-bestand is genoeg om te beginnen.
Breng het proces in kaart
Gebruik process mining-software om events op basis van Case-ID en tijd met elkaar te verbinden. Bekijk daarna de procesflow die uit de data naar voren komt.
Controleer de conformiteit
Vergelijk het ontdekte proces met een referentiemodel, zoals een BPMN-model, om verschillen te onderzoeken.
Analyseer de bevindingen
Gebruik procesdashboards om bottlenecks, herstelwerk en inefficiënties te onderzoeken. Bepaal daarna wat je verder wilt uitzoeken of veranderen.
Volg veranderingen
Bekijk het proces opnieuw nadat er veranderingen zijn doorgevoerd. Zo zie je wat er is veranderd in de prestaties en procespaden.
Volg de introductiestappen om je eerste analyse voor te bereiden.
Process mining en procesmodellering vergeleken
Process mining en procesmodellering beantwoorden verwante, maar verschillende vragen. Process mining gebruikt eventdata om te laten zien hoe een proces is verlopen. Bij procesmodellering gebruik je kennis van medewerkers en methoden voor procesontwerp om vast te leggen of te plannen hoe het werk zou moeten verlopen.
| Functie | Process mining | Procesmapping |
|---|---|---|
| Databron | Eventlogdata uit IT-systemen | Interviews, workshops en documentatie |
| Resultaat | Een beeld van procesgedrag op basis van vastgelegde gebeurtenissen | Een gedocumenteerd of ontworpen proces |
| Inspanning | Afhankelijk van toegang tot en voorbereiding van de data | Afhankelijk van de scope en input van belanghebbenden |
| Dekking | Kan de paden tonen die in het event log zijn vastgelegd | Afhankelijk van wat mensen documenteren |
| Meest geschikt voor | Inzicht in het feitelijke procesgedrag | Een proces ontwerpen of documenteren |
De twee aanpakken vullen elkaar goed aan. Gebruik process mining om het proces in de data te onderzoeken. Leg veranderingen daarna vast of ontwerp ze met procesmodellering of BPMN-modellering. ProcessMind combineert process mining en procesmodellering in één platform. Lees meer over hoe ze elkaar aanvullen in de gecombineerde waarde van procesmodellering en process mining.
Hoe de mining-algoritmen werken
Algoritmen voor process mining zetten eventdata om in procesmodellen. In gepubliceerd onderzoek worden verschillende soorten beschreven. Het alpha-algoritme leidt relaties tussen activiteiten af en is het klassieke startpunt. De heuristic miner kan omgaan met ruis en onvolledige logs. De fuzzy miner is geschikt voor ongestructureerd gedrag. De inductive miner bouwt een procestree waarvan is gegarandeerd dat die sound is. Elk algoritme is gedefinieerd voor een bepaald type log en levert het model op dat bij die definitie hoort.
ProcessMind heeft drie eigen miners. Je kiest er een in het venster Model minen, naast de gateway-instellingen die bepalen hoe strikt het getekende resultaat is. Dat wordt toegelicht in de documentatie over process mining.
| Miner | Wat het oplevert | Wanneer je deze kiest |
|---|---|---|
| Directly-Followed-By-miner | Een plat model dat elke activiteit verbindt met de activiteit die erop volgde, zonder geneste subprocessen | Als je de ruwe weergave van het event log wilt zien of wilt controleren wat er precies in de data staat |
| Simple Miner | Dichte delen van de graaf worden stapsgewijs opgesplitst in geneste segmenten | Als je een compact model wilt dat op één scherm past |
| AI Miner | AI-gestuurde opsplitsing op basis van verrijkte data, waarbij parallelle delen als zodanig worden herkend en getekend | Als het event log rommelig of onvolledig is, of als het proces parallel werk bevat dat in een plat model verloren gaat |
De AI Miner is door ons ontwikkeld. Het is geen herimplementatie van een gepubliceerd algoritme. De miner leest de verrijkte data naast het event log, herkent parallelle delen en deelt de graaf hiërarchisch op. Zo behoudt het model de structuur die uit het event log blijkt, in plaats van alles plat te slaan. Daar komt de AI Miner van pas: gepubliceerde definities gaan uit van een schoon, volledig event log, terwijl de meeste organisaties werken met een export die daar niet aan voldoet. We hebben de AI Miner gemaakt voor de data die er daadwerkelijk is, niet voor de data die een definitie vereist. Dit is ook de enige van de drie miners waarvoor verrijkte data nodig is. Bij een nieuw event log kun je daarom het beste beginnen met de Directly-Followed-By-miner en de resultaten daarmee vergelijken.
Nadat een miner de structuur heeft gemaakt, rangschikt een lay-outalgoritme die zodat de flow goed leesbaar is. ProcessMinds Clarity Engine doet dat.
Waarom process mining belangrijk is
Met process mining kun je bekijken hoe het werk verloopt in alle geregistreerde cases, in plaats van alleen af te gaan op een procesbeschrijving of een paar voorbeelden. Het helpt je om:
- Procesvariaties te zien: Vergelijk de paden die cases volgen en herken veelvoorkomende of afwijkende routes.
- Vertragingen te onderzoeken: Bekijk waar cases wachten en welke activiteiten langer duren.
- Herstelwerk te vinden: Zoek naar herhaalde activiteiten en lussen die kunnen wijzen op fouten of onduidelijke vereisten.
- Conformance te controleren: Vergelijk het werkelijke verloop met een referentieproces.
- Prestaties te volgen: Gebruik dashboards en KPI’s om procesmetingen in de tijd te bekijken.
Met deze bevindingen kun je betere vragen stellen. Ze bewijzen niet waardoor een vertraging of afwijking is ontstaan. Praat met de betrokkenen en controleer de context voordat je besluit wat je verandert.
Bekijk hoe procesdashboards en KPI’s je helpen de procesprestaties te beoordelen.
De goede, de minder goede en de lelijke kanten
De goede kanten
Process mining geeft je een objectief beeld van het werk. Niemand hoeft het proces uit het geheugen te reconstrueren:
- Het laat zien hoe het werk verloopt in alle cases in het event log, niet alleen in de paar die iemand zich herinnert.
- Het maakt de analyse sneller, omdat de flow, vertragingen en het herstelwerk voor je in beeld worden gebracht.
- Je kunt het gebruiken voor elk proces waarvan een IT-systeem gestructureerde eventdata vastlegt.
- Procesdashboards maken deze gegevens ook beschikbaar voor bedrijfsteams, niet alleen voor analisten.
De minder goede kanten
De kwaliteit van de bevindingen hangt af van het event log, en dat vraagt werk:
- Data van slechte kwaliteit leidt tot een overtuigend maar onjuist antwoord. De analyse is niet betrouwbaarder dan het event log.
- De data voorbereiden en controleren is vaak het lastigste deel van een project.
- Process mining lost een proces niet op. Het laat zien wat je moet onderzoeken; mensen nemen de beslissingen en voeren veranderingen door.
- Een complex model is lastig te lezen. Begin met één duidelijke vraag en de procespaden die daarvoor van belang zijn.
De lelijke kanten
Als je niet zorgvuldig met dezelfde gegevens omgaat, kunnen ze schade aanrichten:
- Gebruik je procesdata om individuele medewerkers de schuld te geven, dan leidt dat tot angst en weerstand. Kijk liever naar de omstandigheden in het proces.
- Een verkeerde interpretatie van de data leidt tot onjuiste conclusies. Bespreek je bevindingen daarom met mensen die het werk kennen.
- Sommige tools vragen veel IT-ondersteuning en investeringen. Controleer vooraf wat de inrichting kost en welke vaardigheden nodig zijn.
- Zonder duidelijke vraag houd je meer data dan inzicht over, en weet je niet welke beslissing je ermee moet nemen.
Process mining lijkt soms magie, tot je merkt dat het dat niet is. Je krijgt inzichten die je eerder niet had, maar het lastigste deel blijft aan jou: die inzichten omzetten in verandering. De analyse heeft pas effect als iemand de verandering doorvoert en volhoudt.
Zo gebruik je process mining niet
Process mining is het nuttigst als je een duidelijke vraag hebt, betrouwbare data en mensen die de resultaten kunnen interpreteren. Deze fouten kunnen het vertrouwen in een project ondermijnen.
Begin niet zonder duidelijk doel
Een open zoektocht leidt tot analyses zonder dat er een beslissing uit volgt. Begin met een vraag als: “Waarom duurt het goedkeuren van facturen langer dan tien dagen?” of “Waar lopen klanten vertraging op tijdens de onboarding?” Met een concrete vraag weet je welk proces, welke data en welke metingen je moet bekijken.
Een goed afgebakend doel benoemt drie dingen: het proces, de periode en de beslissing die de analyse moet ondersteunen. Leg het doel vast voordat je data laadt en stem het af met de proceseigenaar. Zo voorkom je dat een pilot steeds groter wordt, maar uiteindelijk nergens antwoord op geeft.
Weet je niet waar je moet beginnen? Dan kun je een gids voor procesverbetering als uitgangspunt voor de scope gebruiken. Daarin staan het proces, de systemen, de te exporteren velden en de vast te leggen activiteiten. Zo heb je vanaf het begin een vraag én de data die nodig is om die te beantwoorden.
Verwacht niet dat een tool het proces oplost
Process mining onderzoekt het procesverloop, maar lost het niet automatisch op. Het kan laten zien dat goedkeuringen te lang duren, maar je moet zelf achterhalen waarom en bepalen wat je verandert. Bespreek de bevindingen met de betrokkenen en meet het proces opnieuw nadat je iets hebt aangepast.
Werk niet in je eentje
Data heeft context nodig. Analyseer je een proces alleen en stuur je daarna een rapport rond, dan mis je misschien waarom een omweg bestaat of dat die een geldige reden heeft. Werk samen met de mensen die het proces beheren en betrek IT als je hulp nodig hebt bij het ophalen of controleren van data. Hun kennis maakt duidelijk wat je wel en niet uit het event log kunt afleiden.
Betrek mensen vanaf het begin, niet pas bij de beoordeling, en vertel waarvoor de analyse bedoeld is. Wie de vraag vooraf kent, kan uitleggen waarom er een omweg is, waarom tijdelijk van de werkwijze wordt afgeweken of waarom een stap alleen in de praktijk bestaat.
De mensen die het werk doen, weten ook welke stappen geen spoor achterlaten in het systeem. Daardoor kan het ontdekte proces onvolledig lijken. In ProcessMind kun je ze markeren als dataflowdoorvoer, zodat ze zichtbaar blijven in het model zonder events te verzinnen die nooit zijn vastgelegd.
Behandel het niet als een eenmalig project
Ook een verbeterd proces blijft veranderen. Bekijk het na de aanpassing opnieuw en vergelijk de resultaten in de tijd om te zien of het procesverloop is verschoven. Door het te blijven volgen, maak je van een bevinding een resultaat.
Gebruik bevindingen niet om mensen de schuld te geven
Process mining laat zien hoe het werk is ingericht, niet wie iets verkeerd heeft gedaan. Vertel waarvoor de analyse bedoeld is en betrek proceseigenaren en medewerkers vanaf het begin. Laat de data zien dat een groep meer tijd nodig heeft, vraag dan welke omstandigheden het verschil verklaren: de werkdruk, een beperking van het systeem of een stap die verduidelijking nodig heeft. De oorzaak zit meestal in de inrichting van het proces. De mensen die het werk doen, weten vaak wat er nodig is.
Gebruik geen data van slechte kwaliteit
De analyse is afhankelijk van het event log. Ontbrekende timestamps, inconsistente activiteitnamen of onjuiste Case-ID’s geven een ander beeld van het proces dan de werkelijkheid. Controleer wat elk veld betekent, kijk of events aan de juiste cases zijn gekoppeld en bekijk een steekproef voordat je de volledige dataset analyseert. Waar je procesdata vindt beschrijft welke velden je nodig hebt.
Zo ga je aan de slag
Met een gerichte pilot ontdek je wat process mining kan laten zien, zonder meteen alles te analyseren.
Leg uit wat process mining kan laten zien en spreek af wat je wilt ontdekken. Betrek een kleine groep met kennis van het proces, de data en de bedrijfscontext.
Begin met een vraag die voor het team relevant is, bijvoorbeeld waar vertraging ontstaat of waarom cases teruggaan naar een eerdere stap.
Kies een proces met een duidelijke scope en data waar je bij kunt. Een proces met bekende vertragingen of terugkerend werk is een goed startpunt.
Beperk de pilot tot een bedrijfseenheid, productlijn of ander duidelijk afgebakend gebied. Met een gerichte scope kun je de bevindingen makkelijker controleren.
Verzamel de data die je voor de pilot nodig hebt. Een spreadsheet of CSV-export kan genoeg zijn om te beginnen. Vraag IT om hulp als je data wilt ophalen of combineren.
Controleer of elk event een Case-ID, activiteitsnaam en timestamp heeft. Kijk ook of de velden consistent zijn en het proces weergeven dat je wilt onderzoeken.
Laad het event log en bekijk het procesmodel. Controleer of het aantal cases en het datumbereik kloppen. Zo niet, kijk dan opnieuw naar de voorbereiding van de data.
Bekijk de belangrijkste procespaden, variaties en activiteitsduren. Gebruik filters om de cases te selecteren die bij je vraag horen. Noteer patronen die verder onderzoek vragen.
Bespreek de resultaten met analisten, proceseigenaren en medewerkers die het werk kennen. Vraag of de patronen overeenkomen met hun ervaring en hoe ze die verklaren.
Spreek af welke problemen je verder onderzoekt of aanpakt en bepaal hoe je een verandering gaat meten.
Analyseer het proces opnieuw nadat het team een verandering heeft doorgevoerd. Vergelijk de resultaten met het startpunt om te zien wat er is veranderd.
Gebruik wat je leert om de volgende vraag aan te scherpen of de analyse uit te breiden naar een ander proces.
De rol van ProcessMind
Toepassingen van process mining
Je kunt een proces minen als de activiteiten digitale gegevens opleveren die je aan cases kunt koppelen. Veelvoorkomende voorbeelden zijn:
- Order-to-Cash (O2C): Onderzoek de levenscyclus van een bestelling, van klantorder tot betaling, en zoek naar vertragingen bij de afhandeling, facturering of inning.
- Procure-to-Pay (P2P): Bekijk het inkoopproces, van aanvraag tot betaling aan de leverancier, en zoek naar vertragingen bij goedkeuringen of terugkerend werk.
- IT-servicemanagement (ITSM): Analyseer servicedesktickets om trage afhandelingsroutes, escalaties en SLA-overschrijdingen te vinden.
- Onboarding van klanten: Bekijk hoe nieuwe klanten de onboarding doorlopen en waar vertragingen of uitval optreden. Orderbeheer gaat over dezelfde vraag, maar dan vanuit de afhandeling.
- Afhandeling van claims: Onderzoek hoe claims in de verzekeringssector of de zorg worden beoordeeld en afgehandeld.
- Productie en supply chain: Bekijk productieprocessen en supplychainprocessen om vertragingen, kwaliteitsproblemen of beperkingen in de beschikbare capaciteit te onderzoeken.
Eventdata kunnen afkomstig zijn uit ERP-systemen zoals SAP, Oracle en Microsoft Dynamics, CRM-platforms zoals Salesforce en HubSpot, servicedesktools zoals ServiceNow en Zendesk, of maatwerkapplicaties. Of de data uit een systeem geschikt is, hangt ervan af of je cases, activiteiten en timestamps kunt herkennen.
Bekijk de bibliotheek op sector, afdeling of transformatiemanager, of begin met een gids voor procesverbetering voor jouw proces en systeem. In elke gids staan de te exporteren velden, de vast te leggen activiteiten en het datatemplate dat je met gegevens uit het bronsysteem invult.
Bekijk toepassingen van process mining in verschillende teams en sectoren.
Process mining, datamining en machine learning vergeleken
Process mining, datamining en machine learning analyseren data op verschillende manieren. Process mining kijkt naar hoe cases in de loop van de tijd activiteiten doorlopen. Datamining zoekt naar patronen in datasets. Machine learning gebruikt data om voorspellingen te doen of gegevens te classificeren.
| Functie | Process mining | Datamining | Machine learning |
|---|---|---|---|
| Welke vraag beantwoordt het | Hoe verloopt dit proces? | Welke patronen zitten in deze dataset? | Wat gebeurt er mogelijk hierna, of om welke case gaat het? |
| Analyseeenheid | Een case die in de loop van de tijd activiteiten doorloopt | Records, rijen en kenmerken | Invoer gekoppeld aan een voorspelde uitkomst |
| Invoer | Een event log met case-ID’s, activiteiten en timestamps | Een voorbereide dataset | Gelabelde of ongelabelde trainingsdata |
| Uitvoer | Procesmodellen, varianten, conformiteit en bottlenecks | Patronen, segmenten of clusters | Een voorspelling, score of classificatie |
| Typisch gebruik | Achterhalen waar een bestelling wacht en hoe die verdergaat | Patronen vinden in klantgegevens | Voorspellen welke levering mogelijk te laat is |
Het belangrijkste verschil zit in de vraag waarop elke methode antwoord geeft. Bij process mining blijft de volgorde van activiteiten zichtbaar. Zo zie je bijvoorbeeld dat een case bij een overdracht heeft gewacht of een activiteit opnieuw heeft doorlopen. Datamining kan patronen in records vinden, terwijl machine learning de kans op een bepaalde uitkomst kan inschatten.
Deze methoden kunnen elkaar aanvullen. Met process mining breng je het procesverloop in kaart en spoor je variatie op. Daarna kun je andere analysemethoden inzetten om patronen te onderzoeken of uitkomsten te voorspellen. Voorspellingen verklaren of veranderen het proces niet vanzelf.
Meer termen uit de procesanalyse vind je in de woordenlijst van ProcessMind.
Hoe nu verder
Je begrijpt process mining het snelst door te zien wat het laat zien in een event log dat je herkent. Laad een export of begin met een voorbeeldproces. Dan wordt de uitleg concreet.
