Wat heb je nodig voor Process Mining?
Wat heb je nodig om Process Mining te gebruiken?
Heb je ruwe data? Dat is slechts de eerste stap! Process Mining werkt het beste met goed voorbereide, schone gebeurtenis data. Verken, bereid voor en verfijn je data om sterke procesinzichten te krijgen.
Welke data heb je nodig om te starten
Stel je voor: je hebt een limonadekraam, maar je vergeet alles! Om te weten hoe goed het gaat, houd je deze basisInformatie bij:
- Klant ID (CaseID): Een uniek nummer voor elke klant. Zo zie je snel of iemand terugkomt (of misschien klaagt over zure limonade!).
- Actie (Activiteit): Wat is er gebeurd? Bijvoorbeeld “Bestelling opnemen”, “Limonade maken” of “Boze klant helpen” (hopelijk niet vaak!).
- TijdsTip (Timestamp): Wanneer gebeurde het? De juiste volgorde is belangrijk!
Met alleen deze drie stukjes data kan Process Mining direct meekijken. Je ziet het klantverloop, bekijkt knelpunten (misschien duurt limonade maken te lang?) en of sommige klanten vaker ontevreden zijn (tijd om je recept te verbeteren!).
Hier een simpele voorbeeldtabel:
| Klant ID (CaseID) | TijdsTip (Timestamp) | Actie (Activiteit) |
|---|---|---|
| 1 | 10:00 | Bestelling opnemen |
| 1 | 10:02 | Limonade maken |
| 1 | 10:05 | Klant bedienen |
| 2 | 10:03 | Bestelling opnemen |
| 2 | 10:10 | Boze klant helpen (oeps!) |
| 2 | 10:12 | Limonade maken |
| 2 | 10:15 | Klant bedienen (hopelijk nu blij!) |
Het lijkt weinig Informatie, maar Process Mining kan hiermee direct vragen stellen en inzichten geven in de efficiëntie van je limonadekraam!
1. Het mysterie van de verdwenen limonade logs
Onze limonadekraam was een groot succes! Klanten waren dol op ons geheime recept (meestal), en het liep storm. Maar met dat succes kwam een nieuwe uitdaging: we werden overspoeld door klanten. De rijen werden lang, de spanning liep op en het ergste: we wisten niet waarom!
Weet je nog van die slimme kleine speurneus die we inhuurden (Process Mining)? Die kan niet toveren. Goede input is onmisbaar, en alles wat wij hadden waren wat krabbels op een servet. Daar ging het dus mis:
Deze datapuinhoop opruimen was weer een heel nieuw avontuur. Maar in het volgende hoofdstuk lees je hoe we, met wat speurwerk en hulp van onze dataspion, onze limonadekraam optimaliseerden en de trots van de buurt werden!
2. De grote data-opgraving
Onze limonadekraam was een groot succes, maar de rijen waren een nachtmerrie! We wisten dat we onze dataspion (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 bekijkten:
- 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 belangrijk: 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. Naamn 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 dataspion voor ons lieten werken!
3. Data Detox
Door onze handige extractieacties (zie hoofdstuk 3) hadden we een berg data. Maar let op: die data was een mix van nuttige klantInformatie, losse krabbels en vooral van alles wat we niet nodig hadden. Tijd voor een data detox!
Filteren werd onze beste vriend. Zie het als het opruimen van een rommelige gereedschapskist. We begonnen met de grote lijnen (coarse-grained scoping) tijdens de extractie. Nu was het tijd voor details (fine-grained scoping).
Zo pakten we het aan:
Met de data weer bijna schoon, was het tijd om in het volgende hoofdstuk de volledige kracht van onze dataspion (Process Mining) te gebruiken! We passen discovery, conformance en enhancement toe om onze limonadekraam super efficiënt te maken!
4. De Data Makeover
Onze data detox (Hoofdstuk 4) was effectief, maar voordat onze data-detective (Process Mining) echt los kon moesten we de data nog een makeover geven. Vergelijk het met een klant die met een gekreukeld briefje betaalt – prima, maar veel handiger als het glad en schoon is. Zo werkt datacleaning ook.
Dit moest er gebeuren:
- Case Closed: Een proces is als een klantreis, met begin, midden en eind. We moesten alle gebeurtenissen van één klant (case) koppelen: zijn bestelling, de wachttijd, en het moment dat de limonade werd ontvangen. Net als alle bonnetjes van één bezoek bij elkaar leggen.
- Spreek de procestaal: Onze data sprak niet altijd de taal van het proces. Activiteiten moesten duidelijk zijn als statuswijzigingen voor elke klantreis (case). “Klant Happy!” was bijvoorbeeld te vaag. We hadden een duidelijke status als “Lemonade Delivered” nodig.
Niet het spannendste deel, maar met slim puzzelen kregen we de dataset echt schoon. Dankzij de verwerking door onze data-detective bekijkten we het geheim van de lange rijen en maakten we van onze limonadekraam een toonbeeld van efficiëntie (en puur plezier)!