Process Mining İçin Neler Gerekli?

Process Mining İçin Gerekenler Nelerdir?

Ham veriniz mi var? Bu sadece ilk adım! Process Mining, en iyi temiz ve iyi hazırlanmış event verisiyle çalışır. Verinizi keşfedin, hazırlayın, iyileştirin ve değerli süreç içgörülerine ulaşın.

Başlangıç İçin Hangi Veriler Gerekli?

Farz edin limonata standı işletiyorsunuz ama hafızanız zayıf! İşinizin ne kadar iyi gittiğini anlamak için bazı temel verileri takip etmeye karar veriyorsunuz:

• Customer ID (CaseID): Her müşteri için verdiğiniz bir numara. Aynı kişinin tekrar geldiğini (ya da şikayette bulunduğunu) anlamanızı sağlar.
• Action Taken (Activity): Ne gerçekleşti? “Take Order”, “Prepare Lemonade” ya da “Resolve Angry Customer Complaint” (umarız nadir olur!).
• Action Time (Timestamp): Hangi işlemi ne zaman yaptınız? İşlem sırası kritik!

Yalnızca bu üç veriyle, Process Mining standınızda mini bir casus olur. Temel müşteri akışını görebilir, darboğazları bulabilir (belki limonata hazırlarken yavaşsınız!) ve bazı müşteriler diğerlerinden daha sık şikayet ediyor mu bunu görebilirsiniz (tarifi güncelleme zamanı!).

İşte verinin tablo halinde örneği:

Çok az bilgi gibi görünse de Process Mining’in temel soruları sorması ve limonata standınızda verimlilik içgörüleri sağlaması için yeterlidir!

1. Kayıp Limonata Kayıtlarının Hikayesi

Limonata standımız çok popüler oldu! Müşteriler gizli tarifimize bayıldı (çoğunlukla) ve işler çok iyiydi. Ama bu başarıyla birlikte yeni bir sorun geldi: Müşteri akışına yetişemiyorduk. Sıralar uzadı, ortam gerildi, en kötüsü ise nedenini bilmiyorduk!

Kiralamış olduğumuz o minik casusu (Process Mining) hatırlıyor musunuz? Mucizeler yaratamaz; iyi bilgiye ihtiyacı var, elimizde ise yalnızca peçeteye karalanmış birkaç not vardı. İşte burada işler karıştı:

• Veri Dedektifi: İlk sorunumuz tüm detaylı bilgileri bulmaktı. Müşteri siparişleri post-it’lerde, kayıp fişlerde ve hatta cebimizde buruşmuş peçetelerdeydi! Sanki bir dedektif hikayesi gibi, farklı kaynaklardan (veritabanları, flat dosyalar, message loglar, vs.) bilgiler bir araya getiriliyordu.
• Aynı Dili Konuşmak: Veriyi bulsak bile çoğu zaman net değildi. Bazı notlarda “Müşteri Mutlu!” yazarken bazısında sadece üzgün yüz vardı. Casusun her notu anlaması için veriye çeviri (data standardization) gerekiyordu.
• Doğru Soruları Sormak: Son olarak, gerçekten neyi öğrenmek istediğimize karar vermemiz gerekiyordu. Sıralar müşteriler yavaş sipariş verdiği için mi, yoksa limonatayı hazırlarken biz mi yavaştık? Doğru soruları sormak, veri toplamada doğru noktaya odaklanmamıza yardımcı oldu (veriye farklı bakışlar).

Bu veri karmaşasını temizlemek tamamen yeni bir maceraydı. Ancak bir sonraki bölümde biraz dedektiflik ve veri meraklısı casusumuzun desteğiyle limonata standımızı nasıl optimize ettiğimizi ve çevredeki herkesin hayranlığını kazandığımızı göreceksiniz!

2. Büyük Veri Kazısı

Limonata standımız çok ilgi gördü ama kuyruklar tam anlamıyla kabustu! Casusumuz Process Mining’ten destek almak gerektiğini biliyorduk ama önce ona doğru bilgi sağlamak şarttı. Yani, veri çekme dünyasına derin bir yolculuk başladı – yani müşterilerle ilgili her gizli ipucunu bulup casusumuzun anlayacağı hale getirmek gerekiyordu.

Şunları keşfettik:

• Hazine Avı: Bazen veriler, sistemlerimizin tozlu köşelerinde (web sayfaları, e-postalar, PDF’ler) gömülü birer hazine gibiydi. Eski dosyaları araştırıp, akıllı araçlar (screen scraping, vb.) kullanarak ihtiyacımız olan verileri çıkardık.
• Çeviri Gerekiyor: Verileri bulsak bile anlaması her zaman kolay olmuyordu. Bazı ipuçları peçeteye karalanmış (unstructured data), bazıları ise bir yerde gizli (eksik metadata). Tümünü çözmek için standartlaştırmaya (data standardization) ihtiyacımız vardı.
• Odaklanmak Şart: O kadar çok veri kaynağı (binlerce tablo!) vardı ki her şeyi almak cezbediciydi. Ama dondurmacıda tüm çeşitleri denemeye kalkmak yerine, doğru sorulara odaklanmak zorundaydık. Müşteriler siparişi yavaş mı veriyordu, yoksa limonatayı hazırlarken mi biz yavaştık? Bu ana sorulara odaklanmak hangi verileri çekeceğimizi önceliklendirmemizi sağladı.

Zor oldu ama biraz emek ve merakla büyük bir veri hazinesi gün ışığına çıktı. Bir sonraki bölümde, bu karmaşayı nasıl düzenlediğimizi ve casusumuzun nasıl gerçek anlamda çalışmaya başladığını göreceğiz!

3. Veri Detoxu

Kahramanca veri çekim operasyonumuz sayesinde (bakınız Bölüm 3) elimizde bir veri dağı vardı! Ancak bu veri karışımı hem faydalı müşteri bilgileri, hem de rastgele notlar ve gereksiz çok şeyle doluydu. Temizleme zamanı gelmişti: veri detoxuna başladık!

Filtreleme en iyi arkadaşımız oldu. Dağınık bir alet çantasını ayıklamak gibi düşünebilirsiniz. Veri çekerken önce büyük resmi gördük (coarse-grained scoping), şimdi ise detaya indik (fine-grained scoping).

Filtreleme ile ilgili izlediğimiz yol:

• Yıldızlara Odaklan: En sık tekrar eden müşteri siparişlerini yeni ve parlak aletler gibi düşündük. En yaygın 10 aktiviteye (sipariş vermek, beklemek, limonata almak) odaklanmaya karar verdik. Diğerleri şimdilik bekledi.
• İterasyon Önemli: Filtreleme bir kerelik bir iş değil. Casusumuz temiz veriyi analiz ettikçe, yeni odaklanmamız gereken alanları gösterdi. Sanki dedektif gibi, yeni içgörülerle filtreyi sürekli geliştirdik.

Veri pırıl pırıl olduktan sonra (en azından büyük oranda), artık gerçekten veri casusumuzun (Process Mining) gücünü ortaya çıkarma zamanı! Sonraki bölümde, discovery, conformance ve enhancement gibi tekniklerle limonata standımızın sorunlarını analiz edip en verimli işletme olacağız!

4. Veri Makyajı

Veri detoxu (Bölüm 4) harikalar yarattı, ama Process Mining casusumuzu ortaya çıkarmadan önce son kritik adım vardı: veri makyajı! Düşünün, müşteri standımıza buruşmuş bir para ile geldi. Reddetmeyiz, ama düz ve temiz olursa daha kolay işleriz. Data cleaning tam da bunun gibi.

Yapmamız gerekenler:

• Case Tamamlama: Bir süreç, müşterinin yolculuğu gibidir – başı, ortası ve sonu vardır. Tüm event’leri aynı müşteriyle (case) ilişkilendirmemiz gerek – siparişi, bekleme süresi ve limonatayı alması gibi. Tek bir müşteri ziyareti için tüm fişleri saklamak gibi düşünün.
• Süreci Konuşturmak: Verimiz her zaman süreç dilinde konuşmuyordu. Aktiviteleri, müşteri yolculuğu (case) için net statü değişimi şeklinde belirtmemiz gerekiyordu. Mesela “Müşteri Mutlu!” yeterince açık değil, “Limonata Teslim Edildi” gibi net bir statüye ihtiyacımız vardı.

Bu maceranın en parlak bölümü olmasa da, biraz veri düzenleme ve düz mantıkla sonunda pırıl pırıl bir dataset elde ettik! Casusumuzun dönüştürdüğü bu verilerle, uzun kuyrukların nedenini bulduk ve standımızı örnek bir verimlilik merkezi haline getirdik!