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 stratejik bilgilerine ulaşın.
Başlangıç İçin Hangi Veriler Gerekli?
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 (zaman damgası (zaman damgası)): Bu işlem ne zaman yapıldı? Sıralama çok önemli!
Sadece bu üç veri ile Process Mining standınızda süreci görmenizi sunar. Müşteri akışını izleyebilir, darboğazları bulabilir (belki limonatayla yavaşsınız!) ve bazı müşteriler neden daha çok şikayet ediyor görebilirsiniz (tarifi geliştirin!).
İşte verinin tablo halinde örneği:
| Müşteri ID (CaseID) | İşlem Zamanı (zaman damgası (zaman damgası)) | Yapılan İşlem (Activity) |
|---|---|---|
| 1 | 10:00 | Sipariş Al |
| 1 | 10:02 | Limonata Hazırla |
| 1 | 10:05 | Müşteriye Servis Et |
| 2 | 10:03 | Sipariş Al |
| 2 | 10:10 | Şikayet Çöz (eyvah!) |
| 2 | 10:12 | Limonata Hazırla |
| 2 | 10:15 | Müşteriye Servis Et (bu sefer daha mutlu!) |
Çok bilgi gibi görünmeyebilir, ama Process Mining bununla süreçteki sorunları ve standınızın verimliliğini ortaya çıkarmaya başlayabilir!
1. Kayıp Limonata Kayıtlarının Hikayesi
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:
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!
2. 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 güçlüamız 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:
- Veri Keşfi: 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.
- Odaklanmak Başarının Anahtarıdır: 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!
3. Veri Detoxu
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 çok değerli 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:
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!
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.
Ne yapmalıydık?
- Case Bağlantısı: Süreç, müşterinin yolculuğu gibi başlar, ilerler ve biter. Tek bir müşteriye (case) ait tüm olayları; 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 durum gerekiyordu.
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!