Başarılı Process Mining için Veri Temelleri

Ham data var mı? Bu sadece ilk malzeme! Process Mining temiz veriyi sever, bu yüzden etkinlik verinizi keşfedin, hazırlayın ve mükemmel hale getirin. Güçlü süreç içgörüleri oluşturmanın gizli sosu bu!

Bölüm 1: Süreç Analizi İçin Gerekli Temel Veriler Nelerdir?

Bir limonata standı işletiyorsunuz ama hafızanız kötü! Standınızın nasıl gittiğini anlamak için bazı temel bilgileri kaydediyorsunuz:

• Müşteri ID (CaseID): Her müşteriye verilen numara. Aynı kişinin tekrar geldiğini ya da şikayet edip etmediğini görürsünüz.
• Yapılan İşlem (Activity): Ne oldu? “Sipariş Al”, “Limonata Hazırla” veya “Şikayet Çöz” gibi aksiyonlarınızı kaydedin.
• İşlem Zamanı (Timestamp): Bu işlem ne zaman yapıldı? Sıralama çok önemli!

Sadece bu üç veri ile Process Mining standınızda süreci görmenizi sağlar. Müşteri akışını izleyebilir, darboğazları bulabilir (belki limonatayla yavaşsınız!) ve bazı müşteriler neden daha çok şikayet ediyor görebilirsiniz (tarifi geliştirin!).

Veri tablonuz böyle görünebilir:*

Çok bilgi gibi görünmeyebilir, ama Process Mining bununla süreçteki sorunları ve standınızın verimliliğini ortaya çıkarmaya başlayabilir!

Bölüm 2: Kayıp Limonata Kayıtlarının Sırrı

Limonata standımız çok popüler oldu! Müşteriler gizli tarifimizi (genelde) çok beğendi, işlerimiz hızla büyüdü. Ama bu başarı yeni bir sorun getirdi: müşterilerle baş edemiyorduk. Kuyruklar uzadı, herkes sabırsızlandı ve en kötüsü, nedenini bilmiyorduk!

Hani o küçük casusu tutmuştuk ya (Process Mining)? O da mucize yaratamıyor, iyi veri olmadan işini yapamıyor. Bizde ise sadece birkaç peçete karalaması vardı. İşte işler o noktada karıştı:

• Data Dedektifi: İlk sorunumuz tüm detayları bulmaktı. Müşteri siparişleri yapışkan notlarda, fişlerde, hatta cebimize sıkışmış peçetelerdeydi (hiç hoş değil!). Yani tam bir dedektiflik hikayesi; bilgiler veritabanı, flat file, message log gibi farklı kaynaklara dağılmıştı, hepsini bir araya getirmek gerekiyordu.
• Aynı Dili Konuşmak: Veriye ulaşsak bile, çoğu zaman net değildi. Kiminde “Müşteri Mutlu!”, bazılarında ise sadece üzgün bir yüz vardı. Casusumuzun her karalamayı anlaması için bir tercümana (data standardization) ihtiyacımız vardı.
• Doğru Soruları Sormak: Sonunda gerçekten ne öğrenmek istediğimizi bulmamız gerekti. Kuyruklar siparişler mi yavaş alındığı için, yoksa limonata mı geç hazırlanıyordu? Doğru soruları sorarak veri toplamaya (farklı bakış açılarıyla) odaklandık.

Bu veri karmaşasını temizlemek başlı başına yeni bir macera oldu. Ama bir sonraki bölümde, biraz dedektiflik ve veri meraklısı casusumuzun yardımıyla limonata standımızı nasıl geliştirdiğimizi göreceksiniz!## Bölüm 3: Büyük Veri Kazısı

Limonata tezgahımız büyük bir başarı yakaladı, fakat kuyruklar tam bir kabustu! Verilerimizi toplamak için casusumuza (Process Mining) ihtiyacımız olduğunu biliyorduk, ancak önce ona uygun bir bilgi sağlamamız gerekiyordu. Bu da, verileri ortaya çıkarma dünyasına derinlemesine bir dalış anlamına geliyordu — temel olarak, müşterilerimiz hakkında gizli ipuçlarını bulmak ve bunları casusumuzun anlayabileceği bir şeye dönüştürmek.

İşte keşfettiklerimiz:

• Hazine Avı: Bazen veri, sistemlerimizin tozlu köşelerine gömülmüş bir hazine gibiydi (web sayfaları, e-postalar, PDF’ler). Gerekli olan bilgiyi çıkarmak için eski dosyaları kazıyan veri arkeologları olmamız ve geliştirilmiş araçlar (ekran kazıma) kullanmamız gerekiyordu.
• Çeviri Kaybı: Veriyi bulduğumuzda bile her zaman net değildi. Bazı ipuçları peçetelere karalanmıştı (yapılandırılmamış veri) ve diğerleri gizli bir kodda kilitliydi (eksik metadata). Hepsini çözmek için bir tercümana (veri standartlaştırma) ihtiyacımız vardı.
• Odak Anahtardır: Bu kadar çok veri kaynağı ile (binlerce tablo!), her şeyi yakalamak cazipti. Ancak dondurmacıda her lezzet kombinasyonunu denemediğimiz gibi, cevaplanmasını istediğimiz sorulara da odaklanmamız gerekiyordu. Müşteriler sipariş vermede çok mu yavaştı, yoksa limonata hazırlarken biz mi engel oluşturuyorduk? Bu önemli sorulara odaklanmak, hangi veriyi çıkaracağımızı önceliklendirmemize yardımcı oldu.

Kolay değildi, fakat biraz emek ve sağlıklı bir merak ile veri dolu bir hazine sandığı çıkardık. Bir sonraki bölümde, bu karmaşayı nasıl temizlediğimizi ve sonunda verilerimizi toplamak için casusumuzu işe koyduğumuzu göreceğiz!

Bölüm 4: Veri Detoksu

Kahramanca topladığımız veriler sayesinde (bkz. Bölüm 3) koca bir veri yığınının sahibi olduk. Ama dikkat – bu veri karmasaydı: biraz işe yarar müşteri bilgisi, biraz karalama, epey de gereksiz şey vardı. Şimdi sıra veri detoksunda!

Filtreleme bizim için vazgeçilmez oldu. Bunu, dağınık bir alet kutusunu düzenlemek gibi düşünün. İlk önce büyük resme baktık (coarse-grained scoping), şimdi ayrıntıya gitme (fine-grained scoping) zamanıydı.

Filtreleme işini böyle çözdük:

• Yıldızlara Odaklan: En sık yapılan müşteri işlemlerini alet kutusundaki en yeni araçlar gibi düşündük. Data casusumuzun işini kolaylaştırmak için en çok yapılan 10 faaliyete (sipariş, bekleme, teslim alma) odaklandık. Geri kalan işlemler şimdilik bekleyebilirdi.
• İterasyon Şart: Filtreleme bir kerelik değil. Data casusumuz verileri analiz etmeye başlayınca, odaklanılacak yeni alanlar gösterdi. Bir dedektif gibi, yeni içgörülerle filtreyi sürekli geliştirdik.

Veriler artık tertemiz (ya da neredeyse), şimdi casusumuzun (Process Mining) asıl gücünü kullanma vakti! Bir sonraki bölümde discovery, conformance ve enhancement gibi yöntemlerle limonata standımızın sorunlarını nasıl teşhis edip en verimli süreçleri oluşturacağımızı göreceğiz!## Bölüm 5: Data Makeover

Veri detoksumuz (Bölüm 4) çok faydalı oldu ama data casusumuzu (Process Mining) devreye almadan önce son ve önemli bir adım vardı: data makeover! Müşterinin standımıza buruşuk bir parayla geldiğini hayal edin – tabii ki kabul ederiz ama düz ve temiz olsa işimiz çok daha kolay olurdu. Veri temizliği de aynen böyle bir şey.

Ne yapmalıydık?

• Case Bağlantısı: Süreç, müşterinin yolculuğu gibi başlar, ilerler ve biter. Tek bir müşteriye (case) ait tüm event’leri; siparişini, bekleme süresini ve limonata teslimini birleştirmemiz gerekti. Yani müşteri ziyareti başına tüm fişleri bir araya toplamak gibi.
• Süreç Diliyle Konuşmak: Verimiz her zaman süreç kavramıyla uyumlu değildi. Aktiviteler, her müşterinin yolculuğunda durum değişimi olarak net tanımlanmalıydı. Örneğin “Müşteri Mutlu!” yeterli değildi; “Limonata Teslim Edildi” gibi net bir statü gerekiyordu.

Bu maceranın en çekici kısmı olmasa da biraz data toparlama ve netlikle sonunda tertemiz bir veri setine sahip olduk! Bu düzgün veriyle casusumuz uzun kuyrukların nedenini buldu ve limonata standımızı verimlilikte üst seviyeye taşıdı!