Essenciais de Data para Process Mining

Tem dados brutos? Isso é só o primeiro ingrediente! Process Mining adora dados limpos, então explore, prepare e tempere seus dados de eventos à perfeição. É o molho secreto para criar insights poderosos em processos!

Capítulo 1: Quais dados são necessários para começar

Imagine que você está comandando uma barraquinha de limonada, mas tem memória fraca! Para entender como seu negócio está indo, você decide registrar algumas informações básicas:

• Customer ID (CaseID): Um número para identificar cada cliente. Assim, você sabe se é a mesma pessoa voltando para comprar mais limonada (ou reclamar de um lote azedo!).
• Action Taken (Activity): O que aconteceu! Você “Recebeu Pedido”, “Preparou Limonada” ou talvez “Resolveu Reclamação de Cliente Irritado” (tomara que raramente!).
• Action Time (Timestamp): Quando cada ação aconteceu. Saber a ordem das ações é essencial!

Com apenas esses três dados, o Process Mining funciona como um espiãozinho na sua barraca. Ele vê o fluxo básico dos clientes, identifica gargalos (talvez você demore para fazer a limonada!) e até mostra se alguns clientes reclamam mais que outros (hora de melhorar a receita!).

Veja um exemplo de como os dados aparecem em uma tabela:*

Pode parecer pouca informação, mas já é suficiente para o Process Mining levantar perguntas e revelar insights básicos sobre a eficiência da sua barraquinha de limonada!

Capítulo 2: O Mistério dos Logs de Limonada Perdidos

Nossa barraca de limonada estava bombando! Os clientes adoravam nossa receita secreta (quase sempre), e o negócio só crescia. Mas com o sucesso veio um desafio novo: clientes demais ao mesmo tempo. Filas enormes, gente irritada e, pior, ninguém sabia o motivo!

Lembra do espião que contratamos (Process Mining)? Ele não faz milagres. Precisa de informações de qualidade, e só tínhamos alguns rabiscos num guardanapo. Foi aí que tudo virou bagunça:

• O Detetive de Dados: O primeiro problema foi achar todos os detalhes importantes. Os pedidos estavam espalhados por post-its, comprovantes soltos e até um guardanapo amassado no bolso (eca!). Foi como juntar pistas de fontes diferentes (databases, arquivos flat, message logs e por aí vai!).
• Falando a Mesma Língua: Mesmo achando os dados, nem sempre eram claros. Uns bilhetes diziam “Cliente Feliz!” e outros só mostravam uma carinha triste. Precisávamos de um tradutor (data standardization) para garantir que o espião entendesse cada anotação.
• Perguntando Certo: Por fim, tivemos que decidir o que realmente queríamos saber. As filas eram grandes porque os pedidos demoravam ou porque a preparação estava lenta? Perguntar certo ajudou a focar na coleta de insights (diferentes views nos dados).

No fim, ajeitar essa bagunça virou uma nova aventura. Mas no próximo capítulo, você vai ver como, com investigação e nosso espião fã de dados, otimizamos a barraca e viramos referência no bairro!

Capítulo 3: A Grande Escavação de Dados

Nosso quiosque de limonada foi um sucesso estrondoso, mas as filas eram um pesadelo! Sabíamos que precisávamos do nosso espião de dados (Process Mining) para nos ajudar, mas primeiro, tínhamos que fornecer a ele informações decentes. Isso significava um mergulho profundo no mundo da extração de dados – basicamente, encontrar todas as pistas ocultas sobre nossos clientes e transformá-las em algo que nosso espião pudesse entender.

Veja o que descobrimos:

• Caça ao Tesouro: Às vezes, os dados eram como um tesouro enterrado – escondido em cantos empoeirados dos nossos sistemas (páginas da web, e-mails, PDFs). Tivemos que nos tornar arqueólogos de dados, cavando em arquivos antigos e usando ferramentas elegantes (screen scraping) para desenterrar as informações de que precisávamos.
• Perdidos na Tradução: Mesmo quando encontramos os dados, nem sempre estavam claros. Algumas pistas estavam rabiscadas em guardanapos (dados não estruturados) e outras estavam trancadas em um código secreto (metadados ausentes). Precisávamos de um tradutor (padronização de dados) para decifrar tudo.
• Foco é fundamental: Com tantas fontes de dados (milhares de tabelas!), era tentador simplesmente pegar tudo. Mas assim como você não experimentaria todas as combinações de sabores na sorveteria, precisávamos focar nas perguntas que queríamos responder. Os clientes demoravam a fazer o pedido ou éramos nós o gargalo ao fazer limonada? Focar nessas questões-chave nos ajudou a priorizar quais dados extrair.

Não foi fácil, mas com um pouco de esforço e uma dose saudável de curiosidade, conseguimos desenterrar um tesouro de dados. No próximo capítulo, veremos como limpamos essa bagunça e finalmente colocamos nosso espião de dados para funcionar!

Capítulo 4: Detox de Dados

Tínhamos uma montanha de dados, graças ao esforço de extração (veja o Capítulo 3). Mas calma: era uma mistura danada – algumas informações úteis, rabiscos aleatórios, muita coisa sem valor. Hora do detox de dados!

Filtrar virou nosso melhor amigo. É como arrumar uma caixa de ferramentas toda bagunçada. Primeiro veio o geral (coarse-grained scoping) na extração dos dados. Agora era hora de detalhar (fine-grained scoping).

Veja como enfrentamos esse desafio:

• Foco nas Estrelas: Os pedidos mais frequentes são como as melhores ferramentas à mão. Priorizamos as 10 atividades mais comuns (pedido, espera, receber limonada) para facilitar o trabalho do data spy. O resto podia ficar pra depois.
• Iteração é Essencial: Filtrar não é tarefa de uma vez só. Com o data spy analisando os dados limpos, surgiram novas áreas de foco. Igual detetive seguindo pistas, ajustamos o filtro conforme surgiam novos insights.

Com os dados quase brilhando, era hora de soltar o potencial do Process Mining! No próximo capítulo, vamos explorar técnicas como discovery, conformance e enhancement para diagnosticar os problemas e tornar nossa barraca a mais eficiente do bairro!

Capítulo 5: Data Makeover – Deu Match nos Dados!

O detox de dados (Capítulo 4) ajudou, mas faltava um passo crucial antes de soltar nosso Process Mining: fazer um data makeover! Imagine um cliente chegando com uma nota amassada. Não recusaríamos, mas seria melhor se a nota estivesse lisinha – essa é a ideia do data cleaning.

Veja o que a gente fez:

• Case Fechado: Um processo é como a jornada do cliente – começo, meio e fim. Precisamos ligar todos os eventos de um cliente só (case): pedido, tempo de espera e receber limonada. Como juntar todos os recibos de uma única visita.
• Falar a Linguagem do Processo: Nem sempre nossos dados estavam nesse idioma. As atividades precisavam estar bem definidas, como mudanças de status em cada case. Por exemplo, “Cliente Feliz!” não era claro o suficiente. O melhor era um status como “Lemonade Delivered”.

Não foi a parte mais glamourosa da jornada, mas com organização, conseguimos um dataset limpo! Com esses dados, o data spy revelou os segredos das nossas filas, deixando a barraca mais eficiente (e gostosa) do bairro!