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 event data. Verken, bereid voor en verfijn je data om sterke procesinzichten te krijgen.

Welke data heb je nodig om te starten

Stel je runt een limonadekraam, maar je hebt een slecht geheugen! Om grip te krijgen op hoe het loopt, houd je de basisinformatie bij:

• Customer ID (CaseID): Een uniek nummer voor elke klant. Zo weet je of iemand terugkomt voor meer limonade (of misschien klaagt over te zure limonade!).
• Actie (Activity): Wat is er precies gebeurd? Heb je “Take Order”, “Prepare Lemonade” of “Resolve Angry Customer Complaint” uitgevoerd (hopelijk niet te vaak!).
• Actietijd (Timestamp): Wanneer vond de actie plaats? De volgorde van acties is namelijk cruciaal!

Met alleen deze drie onderdelen kan Process Mining als mini-detective meekijken. Het volgt de klantflow, signaleert bottlenecks (misschien ben je langzaam met maken!) of geeft aan of bepaalde klanten vaker ontevreden zijn (recept aanpassen?).

Hier een simpele voorbeeldtabel:

Het lijkt weinig info, maar het is genoeg voor Process Mining om al vragen te stellen en eerste inzichten te geven in de efficiency van jouw 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 die groei bracht ook een probleem met zich mee: we werden overspoeld door klanten. Rijen waren lang, de sfeer was onrustig en we hadden geen idee waarom!

Weet je nog, die kleine detective die we hadden ingehuurd (Process Mining)? Echt wonderen verrichten kan hij niet. Goede input is nodig, en wij hadden alleen wat krabbels op een servetje. Zo werd het lastig:

• De Data Detective: Ons eerste probleem was het opsporen van alle details. Klantbestellingen stonden verspreid op post-its, losse bonnetjes én een verfrommeld servet (vies!). Alsof we een detective waren die info moest verzamelen uit allerlei bronnen (databases, flat files, message logs, noem maar op!).
• Iedereen dezelfde taal: Zelfs als we data vonden, was het niet altijd duidelijk. Sommige notities zeiden “Customer Happy!”, andere alleen een boos gezichtje. We hadden een vertaler nodig (data standaardisatie) zodat de detective alles begreep.
• De juiste vragen stellen: Uiteindelijk moesten we duidelijk krijgen wat we wilden weten. Waren de rijen lang omdat het bestellen traag ging, of duurde het maken van limonade te lang? Door de juiste vragen te stellen, konden we scherp data verzamelen (verschillende dataviews).

Achteraf werd het opschonen van deze datapuinhoop een avontuur op zich. Maar in het volgende hoofdstuk zie je hoe we, met wat speurwerk en onze data-detective, de limonadekraam konden optimaliseren en het gesprek van de buurt werden!

2. De grote data-opgraving

Onze limonadekraam liep geweldig, maar de wachtrijen waren een ramp! We wisten dat onze data-detective (Process Mining) moest helpen. Maar eerst moest die wel goede info krijgen. Dus gingen we echt de diepte in met data-extractie – alle verborgen klantsporen vinden en omzetten in bruikbare data voor onze detective.

Dit kwamen we tegen:

• Schatzoeken: Soms was de data net een verborgen schat – verstopt in vergeten hoekjes van onze systemen (webpagina’s, e-mails, pdfs). We werden data-archeologen, spitten oude bestanden uit en gebruikten slimme tools (screen scraping) om info te vinden.
• Gevonden, nog niet duidelijk: Zelfs als er data was, was dat soms pure chaos. Sommige info stond op servetjes (ongestructureerde data), andere was versleuteld (ontbrekende metadata). Met data standaardisatie konden we het allemaal begrijpelijk maken.
• Focus is alles: Met zoveel databronnen (duizenden tabellen!) was het verleidelijk alles te nemen. Maar zoals je ook niet elke smaak in de ijswinkel test: we moesten focussen op de vragen die we beantwoord wilden zien. Bestelden klanten te langzaam of waren wij het knelpunt? Focus zorgde dat we prioriteit gaven aan welke data eruit moest.

Het was soms flink doorzetten, maar met nieuwsgierigheid en wat doorpakken vonden we een schat aan data. In het volgende hoofdstuk zie je hoe we dit netjes kregen en onze detective aan het werk zetten!

3. Data Detox

We hadden een enorme berg data verzameld, dankzij onze data-extractie (zie hoofdstuk 3). Maar let op, want het was een mix van bruikbare klantinformatie, losse krabbels en een hoop irrelevante data. Tijd voor een echte data detox!

Filteren werd onze nieuwe beste vriend. Zie het als het opruimen van een rommelige gereedschapskist. Bij het ophalen van de data begonnen we grof (coarse-grained scoping). Nu moesten we detail aanbrengen (fine-grained scoping).

Zo pakten we het aan:

• Focus op de toppers: De meest voorkomende klantactiviteiten zijn onze beste tools. We kozen ervoor slechts de 10 meest voorkomende activiteiten (zoals bestellen, wachten, limonade ontvangen) te analyseren. De rest kon voorlopig achterblijven.
• Iteratie is essentieel: Filteren doe je niet één keer. Onze data-detective wees ons tijdens de analyse telkens nieuwe focuspunten aan. Net als een rechercheur die steeds nieuwe tips volgt, pasten we het filter steeds aan op basis van inzichten.

Met bijna helemaal schone data konden we eindelijk de echte kracht van onze data-detective (Process Mining) gebruiken! We onderzochten technieken als discovery, conformance en enhancement om knelpunten in het proces te signaleren en de limonadekraam te optimaliseren tot de beste van de buurt!

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 data cleaning ook.

Dit moesten we doen:

• Case sluiten: Een proces is de reis van de klant: begin, midden en eind. We koppelden dus alle events van één klant (case) aan elkaar – van bestelling, wachttijd tot uitgifte van de limonade. Net als het ordenen van bonnetjes van één bezoek.
• Proces-taal spreken: Onze data moest procesgericht zijn. Activiteiten moesten als duidelijke statusveranderingen voor iedere klantreis (case) vastgelegd worden. Een vaag “Customer Happy!” was niet genoeg; “Lemonade Delivered” is helder.

Niet het spannendste deel, maar met slim puzzelen kregen we de dataset echt schoon. Dankzij de verwerking door onze data-detective ontdekten we het geheim van de lange rijen en maakten we van onze limonadekraam een toonbeeld van efficiency (en puur plezier)!