Fundamentos dos dados para Process Mining

Os dados brutos são apenas o ponto de partida. O Process Mining depende de dados de eventos limpos e bem estruturados. Saiba como avaliar, preparar e melhorar seus dados para obter insights confiáveis sobre os processos.

Capítulo 1: de quais dados você precisa para começar

Imagine que você administra uma barraca de limonada, mas tem uma memória péssima. Para entender o desempenho da barraca, você decide acompanhar três informações básicas:

• ID do cliente (CaseID): esse número identifica cada cliente. Ele mostra se a mesma pessoa volta para comprar mais limonada ou reclamar de um lote azedo.
• Ação realizada (Activity): isso registra o que aconteceu. O cliente fez “Fazer pedido”, “Preparar limonada” ou “Resolver reclamação de cliente irritado”? Esperamos que não com muita frequência.
• Horário da ação (Timestamp): isso registra quando cada ação aconteceu. Você precisa da sequência de ações para entender o processo.

Com esses três pontos de dados, o Process Mining age como um pequeno detetive na sua barraca. Ele mostra o fluxo básico dos clientes, identifica gargalos, como a preparação lenta da limonada, e revela se alguns clientes reclamam mais do que outros. Isso oferece um ponto de partida claro para a melhoria.

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

Pode parecer pouca informação, mas ela já é suficiente para o Process Mining começar a fazer perguntas e revelar insights básicos sobre a eficiência da sua barraca de limonada.

Capítulo 2: o caso dos registros de limonada desaparecidos

Nossa barraca de limonada foi um grande sucesso. Os clientes adoravam nossa receita secreta, na maior parte do tempo, e o negócio estava crescendo. Mas o sucesso trouxe um novo desafio: estávamos sobrecarregados de clientes. As filas eram longas, os ânimos estavam exaltados e, pior de tudo, não fazíamos ideia do motivo.

Lembra do pequeno detetive que contratamos, o Process Mining? Ele não fazia milagres. Precisava de informações confiáveis, e tudo o que tínhamos eram alguns rabiscos em um guardanapo. Foi aí que a situação começou a ficar complicada:

Organizar essa bagunça de dados virou um novo projeto. No próximo capítulo, você verá como um pouco de trabalho de detetive, com a ajuda da nossa solução de Process Mining focada em dados, nos ajudou a otimizar a barraca de limonada e virar a inveja da vizinhança.

Capítulo 3: a grande escavação dos dados

Nossa barraca de limonada foi um grande sucesso, mas as filas eram um pesadelo. Sabíamos que o Process Mining poderia ajudar, mas primeiro precisávamos fornecer dados confiáveis para Process Mining. Isso significava mergulhar na extração de dados: encontrar pistas ocultas sobre nossos clientes e transformá-las em informações que o Process Mining pudesse interpretar.

Veja o que descobrimos:

• Caça ao tesouro: às vezes, os dados pareciam um tesouro enterrado, escondido nos cantos empoeirados dos nossos sistemas, incluindo páginas da web, e-mails e PDFs. Tivemos que nos tornar arqueólogos de dados, vasculhando arquivos antigos e usando ferramentas como screen scraping para encontrar as informações necessárias.
• Perdidos na tradução: mesmo depois de encontrar os dados, nem sempre era fácil entendê-los. Algumas pistas estavam rabiscadas em guardanapos, o que as tornava dados não estruturados, enquanto outras não tinham metadados. Precisávamos padronizar os dados para interpretar tudo.
• O foco é fundamental: com milhares de tabelas espalhadas pelas nossas fontes de dados para Process Mining, era tentador coletar tudo. Mas, assim como você não tentaria todas as combinações de sabores em uma sorveteria, precisávamos nos concentrar nas perguntas que queríamos responder. Os clientes demoravam demais para fazer o pedido ou nós éramos o gargalo ao preparar a limonada? Essas perguntas nos ajudaram a priorizar quais dados extrair.

Deu trabalho, mas, com curiosidade e cuidado, encontramos um conjunto valioso de dados para Process Mining. No próximo capítulo, veremos como organizamos tudo e fizemos o Process Mining trabalhar a nosso favor.

Capítulo 4: a desintoxicação dos dados

Depois dos esforços de extração no Capítulo 3, tínhamos uma montanha de dados. Mas o conjunto de dados era inconsistente: algumas informações dos clientes eram úteis, algumas entradas eram anotações aleatórias e boa parte era irrelevante. Era hora de fazer uma desintoxicação dos dados.

A filtragem se tornou nossa nova melhor amiga. Pense nela como organizar uma caixa de ferramentas bagunçada. Durante a extração, começamos definindo um escopo amplo e pouco detalhado. Agora era hora de aplicar um escopo detalhado e específico.

Veja como enfrentamos o desafio da filtragem:

Com os dados praticamente limpos, era hora de aplicar o Process Mining no próximo capítulo. Exploraríamos descoberta, conformidade e aprimoramento para diagnosticar problemas na barraca de limonada e melhorar sua eficiência.

Capítulo 5: A transformação dos dados

Nossa desintoxicação dos dados no Capítulo 4 ajudou, mas ainda faltava uma etapa essencial antes de aplicar o Process Mining: transformar os dados. Imagine um cliente chegando com uma nota de dólar amassada. Você ainda aceitaria a nota, mas uma cédula limpa e bem conservada seria mais fácil de manusear. Essa é a ideia por trás da limpeza de dados.

Veja o que precisávamos fazer:

• Caso encerrado: um processo é como a jornada de um cliente: tem começo, meio e fim. Precisávamos conectar todos os eventos relacionados a um único caso de cliente, incluindo o pedido, o tempo de espera e a entrega final da limonada. Pense nisso como organizar todos os recibos de uma visita do cliente.
• Falando a linguagem do processo: nossos dados nem sempre descreviam o processo com clareza. As atividades precisavam representar mudanças de status definidas no caso de cada cliente. Por exemplo, “Cliente feliz!” era vago demais. Precisávamos de um status claro, como “Limonada entregue”.

Não foi a parte mais glamourosa do projeto, mas a preparação cuidadosa dos dados e as definições claras nos deram um conjunto de dados limpo. Com o Process Mining trabalhando sobre esses dados transformados, conseguimos descobrir as causas das filas longas e tornar a operação da nossa barraca de limonada mais eficiente.