Data Essentials voor Effectieve Process Mining

Ruwe data? Dat is slechts het eerste ingrediënt! Process Mining houdt van schone data, dus verken, bereid voor en perfectioneer je event data. Het is de geheime saus voor krachtige procesinzichten!

Welke data is nodig om van start te gaan

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

• Klant ID (CaseID): Dit is als een nummer dat je aan elke klant geeft. Het laat je weten dat het dezelfde persoon is die terugkomt voor meer limonade (of misschien klaagt over een zure batch!).
• Actie Ondernomen (Activity): Dit is wat er gebeurde! Nam je “Bestelling Op”, “Bereid Limonade”, of misschien “Los Boze Klachten van Klanten Op” (hopelijk niet te vaak!).
• Actietijd (Timestamp): Dit is wanneer je de acties uitvoerde. Het kennen van de volgorde van je acties is cruciaal!

Met slechts deze drie gegevens kan Process Mining als een kleine spion bij je kraam zijn. Het kan de basisstroom van klanten zien, mogelijke bottlenecks identificeren (misschien ben je traag in het maken van limonade!), en zelfs vertellen of sommige klanten vaker humeurig zijn dan anderen (tijd om je recept te verbeteren!).

Hier’s een voorbeeld van hoe de gegevens eruit kunnen zien in een tabel:*

Dit lijkt misschien heel weinig informatie, maar het is genoeg voor Process Mining om vragen te beginnen stellen en enkele basisinzichten te ontdekken in de efficiëntie van je limonadekraam!

Hoofdstuk 2: Het Mysterie van de Verdwenen Lemonade Logs

Onze limonadekraam was een groot succes! Klanten waren dol op ons geheime recept (meestal), en de zaken gingen goed. Maar met groot succes kwam een nieuwe uitdaging: we werden overladen met klanten. De rijen waren lang, de gemoederen liepen hoog op, en het ergste van alles, we hadden geen idee waarom!

Weet je die kleine spion die we hadden ingehuurd (Process Mining)? Blijkt dat het geen wonderen kan verrichten. Het heeft goede informatie nodig, en alles wat we hadden, waren wat krabbels op een servet. Hier werd het rommelig:

• De Data Detective: Ons eerste probleem was om alle sappige details te vinden. Klantbestellingen lagen verspreid over plaknotities, losse bonnetjes, en zelfs een verfrommeld servet in onze zak (iel!). Het was als een detectiveverhaal, informatie samenstellen uit al deze willekeurige bronnen (databases, flat files, message logs, noem maar op!).
• Dezelfde Taal Spreken: Zelfs toen we de data hadden gevonden, was het niet altijd duidelijk. Sommige notities zeiden “Klant Blij!” terwijl andere alleen een sip gezicht hadden. We hadden een vertaler (data standaardisatie) nodig om ervoor te zorgen dat de spion begreep wat elke krabbel betekende.
• De Juiste Vragen Stellen: Uiteindelijk moesten we uitvinden wat we eigenlijk wilden weten. Waren de rijen lang omdat mensen langzaam bestelden, of duurde het ons te lang om de limonade te maken? De juiste vragen stellen hielp ons te focussen op onze dataverzameling (verschillende perspectieven op de data).

Het blijkt dat deze datarotzooi opruimen een heel nieuw avontuur was. Maar in het volgende hoofdstuk zul je zien hoe we, met een beetje speurwerk en wat hulp van onze data-liefhebbende spion, onze limonadekraam konden optimaliseren en de trots van de buurt werden!

Hoofdstuk 3: De Grote Data Opgraving

Onze limonadekraam was een groot succes, maar de rijen waren een nachtmerrie! We wisten dat we onze data spion (Process Mining) nodig hadden om ons te helpen, maar eerst moesten we het van degelijke informatie voorzien. Dat betekende een diepe duik in de wereld van data extractie – eigenlijk, alle verborgen aanwijzingen over onze klanten vinden en ze omzetten in iets dat onze spion kon begrijpen.

Hier is wat we ontdekten:

• Schatexpeditie: Soms was de data als een verborgen schat - verstopt in stoffige hoekjes van onze systemen (webpagina’s, e-mails, PDF’s). We moesten data-archeologen worden, oude bestanden doorzoeken en gebruikmaken van slimme tools (screen scraping) om de informatie op te graven die we nodig hadden.
• Verloren in Vertaling: Zelfs toen we de data vonden, was het niet altijd duidelijk. Sommige aanwijzingen waren op servetten gekrabbeld (ongestructureerde data) en anderen waren vergrendeld in een geheime code (ontbrekende metadata). We hadden een vertaler (data standaardisatie) nodig om het allemaal te ontcijferen.
• Focus is cruciaal: Met zoveel databronnen (duizenden tabellen!) was het verleidelijk om alles maar te pakken. Maar net zoals je niet elke smaakcombinatie in de ijswinkel zou proberen, moesten we ons richten op de vragen die we beantwoord wilden hebben. Namen klanten te lang de tijd om te bestellen, of waren wij de bottleneck met het maken van limonade? Focussen op deze sleutelvragen hielp ons te prioriteren welke data te extraheren.

Het was niet eenvoudig, maar met een beetje inzet en een gezonde dosis nieuwsgierigheid, slaagden we erin een schat aan data op te graven. In het volgende hoofdstuk zullen we zien hoe we deze rommel opruimden en eindelijk onze data spion voor ons lieten werken!

Hoofdstuk 4: De Data Detox

We hadden een berg data, dankzij onze heroïsche extractie-inspanningen (zie Hoofdstuk 3). Maar houd je hoed vast, want deze data was een gemengd geheel – wat nuttige klantinformatie, wat willekeurige krabbels, en een heleboel dingen die we gewoon niet nodig hadden. Het was tijd voor een data detox!

Filteren werd onze nieuwe beste vriend. Zie het als het sorteren van een rommelige gereedschapskist. We begonnen met de grote lijnen (coarse-grained scoping) toen we de data extraheerden. Nu was het tijd om in detail te treden (fine-grained scoping).

Hier is hoe we de filteruitdaging aanpakten:

• Focus op de Sterren: Stel je de meest voorkomende klantbestellingen voor als de glanzende nieuwe tools in onze gereedschapskist. We besloten ons te richten op de top 10 meest voorkomende activiteiten (bestellen, wachten, limonade ontvangen) om het beheersbaar te houden voor onze data spion. De rest kon achter in de schuur wachten (voor nu).
• Iteratie is Cruciaal: Filteren was geen eenmalige zaak. Terwijl onze data spion begon met het analyseren van de schone data, wees het ons op nieuwe gebieden om op te focussen. Het was als een detective die leads volgde, en onze filter constant verfijnde op basis van nieuwe inzichten.

Met de data sprankelend schoon (nou ja, meestal schoon), was het eindelijk tijd om de echte kracht van onze data spion (Process Mining) te ontketenen in het volgende hoofdstuk! We gingen verschillende technieken verkennen zoals discovery, conformance en enhancement om de problemen van onze limonadekraam te diagnosticeren en de meest efficiënte limonadeoperatie van de buurt te worden!

Hoofdstuk 5: De Data Makeover

Onze data detox (Hoofdstuk 4) deed wonderen, maar er was nog één cruciale stap voordat we onze data spion (Process Mining) konden ontketenen – de data makeover! Stel je voor dat een klant onze kraam binnenloopt met een verfrommeld biljet. We zouden ze niet afwijzen, maar het zou veel makkelijker zijn als het biljet strak en schoon was. Dat is het idee achter data schoning.

Dit moesten we doen:

• Case Gesloten: Een proces is als de reis van een klant - het heeft een begin, midden en einde. We moesten alle gebeurtenissen met betrekking tot een enkele klant (case) verbinden – hun bestelling, wachttijd, en uiteindelijk hun limonade ontvangen. Zie het als het organiseren van alle bonnetjes voor een enkel klantbezoek.
• Proces Spreken: Onze data sprak niet altijd de proces taal. Activiteiten moesten duidelijk worden gedefinieerd als statuswijzigingen voor de reis van elke klant (case). Bijvoorbeeld, “Klant Blij!” was niet specifiek genoeg. We hadden een duidelijke status nodig zoals “Limonade Afgeleverd.”

Het was niet het meest glamoureuze deel van het avontuur, maar met een beetje data worsteling en helder denken, hadden we eindelijk een sprankelend schone dataset! Met deze data die onze data spion heeft getransformeerd, onthullen we de geheimen achter onze lange rijen en veranderen we onze limonadekraam in een bruisend baken van efficiëntie (en heerlijkheid)!