Etkili Process Mining için Veri Gereklilikleri

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!

Süreci başlatmak için hangi veriler gerekli

Bir limonata standı işlettiğinizi hayal edin, ancak hafızanız çok kötü! Tezgahınızın ne kadar iyi durumda olduğunu anlamak için bazı temel bilgileri takip etmeye karar verdiniz:

• Müşteri ID (CaseID): Bu, her müşteriye verdiğiniz bir numara gibi. Aynı kişinin daha fazla limonata almak için geri gelip gelmediğini bilmenizi sağlar (veya belki ekşi bir grup hakkında şikayetçi olmalarını!).
• Yapılan İşlem (Activity): Bu, ne olduğudur! “Sipariş Al,” “Limonata Hazırla” veya belki de “Kızgın Müşteri Şikayetini Çöz” mü yaptınız (umarım çok sık değil!).
• İşlem Zamanı (Timestamp): Bu, eylemleri gerçekleştirdiğiniz zamanı gösterir. İşlemlerinizin sırasını bilmek çok önemlidir!

Sadece bu üç parça veriyi kullanarak, Process Mining tezgahınızdaki küçük bir casus gibi olabilir. Müşterilerin temel akışını görebilir, herhangi bir darboğazı belirleyebilir (belki limonata yapmada yavaşsınız!) ve hatta bazı müşterilerin diğerlerinden daha sık somurtkan olup olmadığını söyleyebilir (tarifinizi geliştirme zamanı!).

Verilerin tabloda nasıl görünebileceğine dair bir örnek:*

Bu çok az bilgi gibi görünebilir, ancak Process Mining’in limonata standınızın verimliliğine dair bazı temel içgörüleri sormaya ve ortaya çıkarmaya başlaması için yeterlidir!

Bölüm 2: Kayıp Limonata Kayıtları Vakası

Limonata tezgahımız büyük bir başarı yakaladı! Müşteriler gizli tarifimizi (genellikle) sevdiler ve işler çok iyi gidiyordu. Ancak büyük başarı beraberinde yeni bir zorluk getirdi: Müşteri akınına uğradık. Kuyruklar uzundu, sinirler geriliyordu ve en kötüsü nedenini bilmiyorduk!

Kiralamış olduğumuz küçük casusu (Process Mining) hatırlıyor musunuz? Görünüşe bakılırsa mucizeler yaratamıyor. İyi bilgiye ihtiyacı var ve bizde sadece peçete üzerine karalanmış birkaç şey vardı. İşte sıkıntının başladığı yer:

• Veri Dedektifi: İlk sorunumuz tüm önemli detayları bulmaktı. Müşteri siparişleri yapışkan notlar, gevşek fişler ve hatta cebimizde buruşmuş bir peçeteye dağılmıştı (iğrenç!). Bu bir dedektif hikayesine benziyordu, tüm bu rastgele kaynaklardaki bilgileri bir araya getiriyorduk (veritabanları, düz dosyalar, mesaj kayıtları, ne ararsanız!).
• Aynı Dili Konuşmak: Veriyi bulduğumuzda bile her zaman net değildi. Bazı notlarda “Müşteri Mutlu!” yazıyordu, diğerlerinde ise sadece somurtkan bir yüz vardı. Casusun her karalamayı anlaması için bir tercümana (veri standartlaştırma) ihtiyacımız vardı.
• Doğru Soruları Sormak: Son olarak, gerçekten ne bilmek istediğimizi anlamak zorundaydık. Kuyruklar insanların sipariş vermede yavaş olduğu için mi uzundu, yoksa belki biz limonata yaparken çok zaman harcıyorduk? Doğru soruları sormak veri toplama çabalarımızı odaklanmamıza yardımcı oldu (veri üzerinde farklı görünümler).

Bu veri karmaşasını temizlemek yepyeni bir macera oldu. Ancak bir sonraki bölümde, biraz dedektif çalışması ve veri aşığı casusumuzun yardımıyla limonata tezgahımızı nasıl optimize ettiğimizi ve mahallenin kıskançlığı haline geldiğimizi 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 veri çıkarma çabalarımız sayesinde (bkz. Bölüm 3) elimizde bir veri dağı vardı. Ancak şapkalarınızı tutun, çünkü bu veri karma bir çantaydı – bazı yararlı müşteri bilgileri, bazı rastgele karalamalar ve hiç ihtiyacımız olmayan birçok şey vardı. Artık veri detoksu zamanı gelmişti!

Filtreleme yeni en iyi arkadaşımız oldu. Bunu dağınık bir alet kutusunu ayıklamak gibi düşünün. Başlangıçta verileri çıkarırken büyük resmi (kabaca detaylı kapsam) kafamızda tuttuk. Şimdi, detaylara inme zamanı gelmişti (ince detaylı kapsam).

Filtreleme zorluğunu nasıl ele aldık:

• Yıldızlara Odaklan: En sık görülen müşteri siparişlerini alet kutumuzdaki parlak yeni araçlar olarak hayal edin. Veri casusumuzun işi idare etmesini sağlamak için en sık yapılan 10 faaliyete (sipariş verme, bekleme, limonata alma) odaklanmaya karar verdik. Geri kalanlar arka planda bekleyebilirdi (şimdilik).
• Yineleme Anahtardır: Filtreleme tek seferlik bir şey değildi. Veri casusumuz temiz veriyi analiz etmeye başladığında, odaklanmamız gereken yeni alanlara yönlendirdi. Yeni bilgiler ışığında filtremizi sürekli olarak rafine eden, bir dedektif gibi ipuçlarını takip ediyorduk.

Veriler parlak bir şekilde temizlenmişken (aslında çoğunlukla temiz) sonunda veri casusumuzun (Process Mining) gerçek gücünü açığa çıkarma zamanı gelmişti! Sonraki bölümde keşif, uyum ve iyileştirme gibi teknikleri inceleyerek limonata tezgahımızın sorunlarını teşhis edip mahallenin en verimli limonata işletmesi olacağız!

Bölüm 5: Veri Makyajı

Veri detoksumuz (Bölüm 4) harikalar yarattı, ama veri casusumuzu (Process Mining) serbest bırakmadan önce hala yapılması gereken önemli bir adım vardı – veri makyajı! Bir müşterinin buruşturulmuş bir banknotla tezgahımıza geldiğini hayal edin. Onları geri çevirmezdik, ama banknot temiz ve düzenli olsaydı çok daha kolay olurdu. İşte bu, veri temizlemenin arkasındaki fikir.

Yapmamız gerekenler:

• Vaka Kapandı: Bir süreç, bir müşterinin yolculuğu gibidir – başlangıcı, ortası ve sonu vardır. Tek bir müşteriye (vaka) ait tüm olayları – siparişleri, bekleme süreleri ve sonunda limonata alması – bağlamamız gerekiyordu. Bunu, tek bir müşteri ziyareti için tüm makbuzları düzenlemek gibi düşünün.
• Süreci Konuşmak: Verimiz her zaman süreç dilinde konuşmuyordu. Faaliyetlerin her müşteri yolculuğu (vaka) için durum değişiklikleri olarak açıkça tanımlanması gerekiyordu. Örneğin, “Müşteri Mutlu!” yeterince belirgin değildi. “Limonata Teslim Edildi” gibi net bir duruma ihtiyacımız vardı.

Bu maceranın en göz alıcı kısmı olmasa da, biraz veri işleme ve net bir düşünme ile sonunda ışıl ışıl bir veri kümesi oluşturduk! Veri casusumuz bu verileri dönüştürdü ve uzun kuyruklarımızın ardındaki sırları ortaya çıkararak limonata tezgahımızı verimlilik ve lezzet dolu bir merkeze dönüştürdü!