Process Mining çalıştırmak için ne gereklidir?

Ham veri mi var? Bu sadece ilk bileşen! Process Mining, temiz veriyi sever, bu yüzden olay verilerinizi keşfedin, hazırlayın ve kusursuz hale getirin. Güçlü süreç içgörüleri oluşturmak için gizli sos budur!

Süreci Harekete Geçirmek İçin Hangi Veriler Gerekli

Bir limonata standı işletiyorsanız ama hafızanız kötüyse hayal edin! Standınızın ne kadar iyi işlediğini anlamak için bazı temel bilgileri takip etmeye karar verdiniz:

• Müşteri ID (CaseID): Bu, her müşteriye verdiğiniz bir numara gibidir. Bu sayede aynı kişinin daha fazla limonata almak (ya da belki ekşi bir parti hakkında şikayet etmek) için tekrar geldiğini bilirsiniz.
• Yapılan İşlem (Activity): Bu olan bitendir! “Sipariş Almak”, “Limonata Hazırlamak” ya da belki “Sinirli Müşteri Şikayetini Çözmek” (umarız çok sık olmaz!) işlemleri mi gerçekleştirildi.
• İşlem Zamanı (Timestamp): Bu, işlemleri ne zaman gerçekleştirdiğinizdir. İşlemlerinizin sırasını bilmek çok önemlidir!

Sadece bu üç veri parçası ile Process Mining, standınızdaki küçük bir casus gibi olabilir. Müşteri akışını görebilir, tıkanıklıkları (belki limonata yapmada yavaşsınız!) tanımlayabilir ve hatta bazı müşterilerin diğerlerinden daha sık mı huysuz olduğunu bile gösterebilir (tarifinizi geliştirme zamanı!).

İşte verinin tabloda nasıl görünebileceğine bir örnek:*

Bu çok az bilgi gibi görünebilir, ancak Process Mining’in sorular sormaya başlaması ve limonata standınızın verimliliği hakkında bazı temel içgörüler ortaya çıkarması için yeterlidir!

1. Kayıp Limonata Kayıtlarının Vakası

Limonata standımız büyük ilgi gördü! Müşteriler gizli tarifimizi (çoğunlukla) çok sevdi ve işler çok iyi gidiyordu. Ancak büyük başarıyla birlikte yeni bir zorluk geldi: Müşteri denizinde boğuluyorduk. Sıralar uzuyordu, sinirler geriliyordu ve en kötüsü, nedenini bilmiyorduk!

Hatırlıyor musunuz, işe aldığımız küçük casusu (Process Mining)? Meğer mucizeler yaratamaz. İyi bir bilgiye ihtiyacı var ve elimizde sadece bir kâğıt peçeteye karalanmış birkaç şey vardı. İşte işler burada karıştı:

• Veri Dedektifi: İlk sorunumuz tüm değerli detayları bulmaktı. Müşteri siparişleri yapışkan notlar, dağınık fişler ve hatta cebimizdeki buruşuk bir kâğıt peçeteye dağılmıştı (çok kötü!). Bu, tüm bu rastgele kaynaklardan (veritabanları, düz dosyalar, mesaj günlükleri) bilgi parçalarını birleştiren bir dedektif hikayesi gibiydi.
• Aynı Dili Konuşmak: Verileri bulduğumuzda bile, her zaman net değildi. Bazı notlar “Müşteri Mutlu!” derken, diğerleri sadece somurtkan bir yüzle bırakılmıştı. Casusun her karalamayı anlamasını sağlamak için bir tercümana (veri standardizasyonu) ihtiyacımız vardı.
• Doğru Soruları Sormak: Son olarak, aslında neyi bilmek istediğimize karar vermemiz gerekiyordu. Sıralar uzun mu çünkü insanlar sipariş vermede mi yavaş, yoksa biz limonata yapmakta mı uzun sürüyorduk? Doğru soruları sormak, veri toplamaya (verilerin farklı görünümleri) odaklanmamıza yardımcı oldu.

Bu veri karmaşasını temizlemek yeni bir macera oldu. Ancak bir sonraki bölümde, biraz dedektiflik çalışması ve veri meraklısı casusumuzdan yardım alarak limonata standımızı nasıl optimize ettiğimizi ve mahalledeki en gözde yer haline geldiğimizi göreceksiniz!

2: Büyük Veri Kazısı

Limonata standımız büyük bir hit oldu, ancak sıralar kabustu! Veri casusumuza (Process Mining) ihtiyacımız olduğunu biliyorduk, ama önce ona biraz düzgün bilgi sağlamamız gerekiyordu. Bu da veri çıkarım dünyasına derinlemesine dalmak anlamına geliyordu - yani müşterilerimiz hakkında gizli ipuçlarını bulmak ve bunları casusumuzun anlayabileceği bir şeye dönüştürmek.

İşte keşfettiklerimiz:

• Hazine Avı: Veriler bazen gömülü hazine gibiydi - sistemlerimizin tozlu köşelerinde saklı (web sayfaları, e-postalar, PDF’ler). Gerekli bilgileri ortaya çıkarmak için eski dosyaları kazıp, ekran kazıma gibi süslü araçlar kullanarak veri arkeologları olmamız gerekiyordu.
• Çeviride Kaybolmuş: Verileri bulduğumuzda bile, her zaman net değildi. Bazı ipuçları peçetelere karalanmıştı (yapılandırılmamış veri) ve diğerleri gizli bir kodda kilitliydi (eksik metadata). Hepsini şifreleyecek bir tercümana (veri standardizasyonu) ihtiyacımız vardı.
• Odak Anahtardır: Çok sayıda veri kaynağı varken (binlerce tablo!), her şeyi almak cazipti. Ama dondurmacıda her lezzeti denemeye çalışmayacağınız gibi, hangi soruları yanıtlamak istediğimize odaklanmamız gerekiyordu. Müşteriler sipariş vermekte çok zaman mı alıyordu, yoksa biz mi limonatayı yaparken tıkanıklık oluşturuyorduk? Bu anahtar sorulara odaklanmak, hangi verileri çıkaracağımızı önceliklendirmemize yardımcı oldu.

Kolay değildi, ama biraz dirsek yağı ve sağlıklı bir doz merakla bir veri hazinesi bulmayı başardık. Bir sonraki bölümde, bu karmaşıklığı nasıl temizlediğimizi ve nihayet veri casusumuzu nasıl çalıştırdığımızı göreceğiz!

3: Veri Detoksu

Kahramanca veri çıkarma çabalarımız sayesinde (Bkz. Bölüm 3), elimizde bir veri dağı vardı. Ama şapkalarınıza tutunun, çünkü bu veri karma bir torbaydı - bazı yararlı müşteri bilgileri, bazı rastgele karalamalar ve hiç ihtiyacımız olmayan bir sürü şey vardı. Artık veri detoksu zamanı gelmişti!

Filtreleme yeni en iyi arkadaşımız oldu. Düzensiz bir alet kutusunu sıralamak gibi düşünün. Veriyi çıkarırken (geniş kapsamlı hedefleme), büyük resimden başladık. Şimdi detaylara girmek zamanıydı (ince kapsamlı hedefleme).

Filtreleme meydan okumasını nasıl ele aldık:

• Yıldızlara Odaklanın: En sık olan müşteri siparişlerini alet kutumuzdaki parlayan yeni araçlar gibi hayal edin. Veri casusumuz için işleri yönetilebilir kılmak amacıyla en yaygın 10 etkinliğe (sipariş verme, bekleme, limonata alma) odaklanmaya karar verdik. Diğerleri şimdilik kulübenin arkasında bekleyebilirdi.
• Yineleme Anahtardır: Filtreleme bir defalık bir iş değildi. Veri casusumuz temiz verileri analiz etmeye başladıkça, odaklanmamız gereken yeni alanlar gösterdi. Dedektifin ipuçlarını takip etmesi gibiydi, sürekli olarak yeni bilgilerle filtremizi yeniden şekillendirdi.

Veriler tertemiz (ya da neredeyse tertemiz) olduktan sonra, nihayet veri casusumuzun gerçek gücünü serbest bırakma zamanı gelmişti (Process Mining) bir sonraki bölümde! Limonata standımızın sorunlarını teşhis etmek ve en verimli limonata işletmesi olmak için keşif, uyum ve geliştirme gibi farklı teknikleri keşfedeceğiz!

4: Veri Yenilemesi

Veri detoksumuz (Bölüm 4) harikalar yarattı, fakat veri casusumuzu (Process Mining) harekete geçirmeden önce hala önemli bir adım vardı – veri yenilemesi! Bir müşterinin buruşuk bir banknotla standımıza geldiğini hayal edin. Onları reddetmezdik, ama banknotun temiz ve düzgün olması işleri çok daha kolaylaştırırdı. İşte veri temizliğinin ardındaki fikir bu.

Yapmamız gerekenler şunlardı:

• Dava Kapandı: Bir süreç, bir müşterinin yolculuğu gibidir – başlangıcı, ortası ve sonu vardır. Tek bir müşteriyle (case) ilgili tüm olayları bağlamamız gerekiyordu – siparişleri, bekleme süreleri ve sonunda limonatalarını almaları. Tek bir müşteri ziyareti için tüm fişleri düzenlemek gibi düşünün.
• Süreci Konuşmak: Verilerimiz her zaman süreç dilinde konuşmuyordu. Her müşterinin yolculuğu (case) için etkinliklerin durumu net bir şekilde tanımlanmalıydı. Örneğin, ‘Müşteri Mutlu!’ yeterince özel değildi. ‘Limonata Teslim Edildi’ gibi net bir statüye ihtiyacımız vardı.

Macera’nın en çekici kısmı olmasa da, biraz veri işleme ve net düşünceyle nihayet pırıl pırıl bir veri setine ulaştık! Veri casusumuzun dönüştürdüğü bu verilerle uzun sıralarımızın ardındaki sırları açığa çıkarıyoruz ve limonata standımızı verimlilik (ve lezzet) kaynağı haline getiriyoruz!