O Que é Preciso para Usar Process Mining?

O que é necessário para executar Process Mining?

Tem dados brutos? Esse é só o primeiro passo! O Process Mining funciona melhor com event data limpos e bem preparados. Explore, prepare e refine seus dados para obter insights poderosos sobre seus processos.

Quais Dados Precisam Para Começar

Imagine você com uma barraca de limonada, mas com memória fraca! Para saber como está indo, você resolve registrar o básico:

• Customer ID (CaseID): Um número para cada cliente. Assim, sabe se é o mesmo cliente voltando para mais limonada (ou para reclamar!).
• Action Taken (Activity): O que aconteceu! Foi “Take Order”, “Prepare Lemonade” ou “Resolve Angry Customer Complaint” (espero que poucas vezes!).
• Action Time (Timestamp): Horário de cada ação. Saber a ordem é fundamental!

Com só esses três dados, o Process Mining já é um mini-espião na sua barraca. Ele vê o fluxo dos clientes, aponta gargalos (talvez você demore para fazer a limonada!) e até mostra se alguns clientes reclamam mais (hora de ajustar a receita!).

Veja um exemplo de tabela:

Pode parecer pouco, mas já é suficiente para o Process Mining gerar insights e mostrar como melhorar sua operação!

1. O Caso dos Registros Perdidos do Lemonade

Nossa barraca de limonada foi um sucesso! Os clientes adoraram nossa receita secreta (na maioria das vezes), e o movimento só aumentava. Mas junto com o sucesso veio um novo desafio: filas enormes, clientes impacientes e o pior, sem sabermos o motivo!

Lembra do espião que contratamos (Process Mining)? Não faz milagres: precisa de informações boas, e tudo o que tínhamos eram uns rabiscos no guardanapo. Foi aí que a coisa complicou:

• O detetive dos dados: Nosso primeiro desafio foi encontrar todos os detalhes importantes. Os pedidos estavam espalhados em post-its, recibos soltos e até em guardanapo amassado no bolso. Era uma verdadeira investigação, juntando dados de vários lugares (bancos de dados, arquivos flat, message logs, etc.).
• Falando o mesmo idioma: Mesmo quando achávamos os dados, nem sempre era claro. Uns bilhetes diziam “Cliente feliz!” e outros só mostravam carinha triste. Precisávamos de um tradutor (data standardization) para garantir que o espião entendesse cada informação.
• Fazendo as perguntas certas: Por fim, precisávamos saber o que queríamos descobrir. O problema da fila era o tempo de pedido ou a demora para preparar a limonada? Fazer as perguntas certas ajudou a focar a coleta (e as visões) dos dados.

No fim, arrumar essa bagunça de dados foi outra aventura. Mas no próximo capítulo, você vai ver como, com um pouco de investigação e ajuda do nosso espião dos dados, otimizamos a barraca e viramos exemplo na vizinhança!

2. A Grande Escavação de Dados

Nossa barraca de limonada virou sucesso, mas as filas eram uma loucura! Sabíamos que precisávamos do nosso espião dos dados (Process Mining), mas antes ele precisava de informações de qualidade. Para isso, fizemos um mergulho na extração de dados – encontrar todas as pistas dos clientes e transformar tudo em algo que o espião pode analisar.

Veja o que descobrimos:

• Caça ao tesouro: Às vezes, os dados eram como tesouros escondidos – guardados em cantos esquecidos do sistema (páginas web, e-mails, PDFs). Viramos arqueólogos digitais, escavando arquivos antigos e usando ferramentas como screen scraping para pegar informações.
• Perdido na tradução: Mesmo achando os dados, nem sempre estavam claros. Algumas pistas eram rabiscos em guardanapos (unstructured data), outras protegidas por um código misterioso (missing metadata). Precisávamos traduzir tudo (data standardization).
• Foco é essencial: Com tanta fonte (milhares de tabelas!), dava vontade de pegar tudo. Mas, como não experimentamos todos os sabores da sorveteria de uma vez, era preciso focar nas perguntas certas. Os clientes demoravam no pedido ou o gargalo era preparar a limonada? Focando no que importa, priorizamos qual dado extrair.

Não foi fácil, mas com dedicação e curiosidade, encontramos um baú de dados. No próximo capítulo, vamos mostrar como limpamos essa bagunça e finalmente colocamos o Process Mining para funcionar!

3. O Detox dos Dados

Terminamos com uma montanha de dados após nossa missão de extração (veja o Capítulo 3). Só que era uma mistura de informações úteis, rabiscos aleatórios e muita coisa desnecessária. Era hora de um detox!

O filtro virou nosso aliado. Imagine organizar uma caixa de ferramentas bagunçada. No começo, fizemos um recorte amplo (coarse-grained scoping). Depois, hora do detalhamento (fine-grained scoping).

Veja como resolvemos:

• Foco nas estrelas: Os pedidos mais comuns são como as ferramentas novas da caixa. Escolhemos focar nas 10 atividades mais frequentes (como pedir, esperar, receber limonada), facilitando a vida do espião dos dados. O resto fica para depois.
• Iteração é essencial: Filtrar não é feito só uma vez. Conforme o espião analisa os dados limpos, aponta para novos focos. É como um detetive seguindo pistas: o filtro vai sendo ajustado sempre que surgem novos insights.

Com os dados limpos (ou quase), chegou a hora de liberar o poder do nosso espião (Process Mining)! No próximo capítulo, vamos explorar discovery, conformance e enhancement para encontrar gargalos e tornar a barraca de limonada a mais eficiente da região!

4. O Makeover dos Dados

O detox fez milagres nos nossos dados (Capítulo 4), mas antes do Process Mining tinha um último detalhe: o makeover dos dados! Imagine um cliente chegando com uma nota de dinheiro amassada: não recusaríamos, mas seria bem melhor se estivesse novinha. Essa é a ideia do data cleaning.

O que fizemos:

• Case fechado: O processo é uma jornada, com começo, meio e fim. Precisávamos ligar todos os events do mesmo cliente (case): pedido, tempo de espera, entrega. É como organizar os recibos de uma única visita.
• Falar processo: Os dados nem sempre estavam padronizados na linguagem dos processos. As atividades precisavam ser status claros na jornada. Exemplo: “Cliente feliz!” era vago. Precisávamos de algo como “Limonada Entregue”.

Não foi a fase mais empolgante, mas com cuidado e organização, conseguimos uma base de dados limpa! Assim, nosso espião revela porque tinham filas e transforma a barraca de limonada em referência de eficiência (e sabor)!