什么是流程挖掘？看清工作实际如何开展

什么是流程挖掘？

**什么是流程挖掘？流程挖掘利用IT系统中的事件数据，发现、分析并改进流程的实际运行方式。**它将活动与案例及时间戳关联起来，呈现工作流转路径、各步骤耗时，以及实际流程与预期之间的差异。

事件日志记录活动、时间戳和案例标识符。流程挖掘将这些事件按案例归类，还原流程顺序流。您可以据此调查瓶颈、返工，以及流程与参考流程的一致性。分析结果提供依据，后续行动由您的团队决定。

如需进一步了解流程挖掘软件，请参阅我们的流程挖掘工具指南。

流程挖掘先驱Wil van der Aalst曾将其比作企业的核磁共振成像，可以揭示表面之下正在发生的情况。这种可见性有助于推动流程改进和数字化转型。请参阅我们的数据驱动流程改进战略指南。

设想一笔客户订单从接收、审批到发货的过程。每个步骤都可能留下数字记录。流程挖掘将这些记录关联起来，展示每笔订单经过的路径，包括绕行和异常。您无需只依赖访谈或假设，也可以直接查看数据记录的实际路径。

分析结果取决于事件数据的质量及其背景信息。流程图可以展示预期路径，流程挖掘则帮助您了解记录显示实际发生了什么。

流程挖掘如何运作？

流程挖掘从IT系统中的事件数据开始。每条事件通常需要包含三个字段：

• **案例ID：**流程实例的标识符，例如订单或支持工单。
• **活动：**发生的步骤。
• **时间戳：**该步骤发生的时间。

软件按案例ID对事件分组，并按时间戳排序，随后还原各案例经过的路径，并以流程模型呈现。您可以比较不同路径、查看持续时间，并查找重复步骤或长时间等待等模式。

结果质量取决于数据。时间戳缺失、活动名称不一致或案例标识符错误，都可能导致分析失真。了解如何查找流程数据，以及支持哪些数据格式。

流程挖掘的三种类型

流程挖掘的三种类型分别回答不同问题：

1. 流程发现根据事件日志数据生成流程模型，帮助您了解各案例的实际路径，包括尚未记录的变体。

2. 一致性检查将实际流程行为与参考模型进行比较，帮助您发现案例遵循、跳过或偏离预期步骤的情况。

3. 流程增强将事件日志中的信息添加到现有流程模型中。例如，您可以添加等待时间或活动持续时间等绩效指标，了解流程的运行表现。

项目通常从流程发现开始，随后通过一致性检查调查实际流程与参考流程的差异。流程增强则可以为模型补充绩效信息。请根据需要回答的问题选择合适的方法。

每个人都能使用流程挖掘

开始探索流程数据，不一定要是数据科学家。分析师、流程负责人、运营团队和IT团队可以协作提出问题、准备事件日志，并查看分析结果。

可以从以下步骤开始：

1. 选择一个流程，并明确具体问题。
2. 找出记录相关活动的系统数据。
3. 准备包含案例ID、活动名称和时间戳的事件日志。
4. 查看发现的流程路径，并调查重要路径。
5. 与了解实际工作的人共同验证发现。

查看入门指南，准备您的首次分析。

流程挖掘与流程映射的区别

流程挖掘和流程映射回答的问题相关，但并不相同。流程挖掘利用事件数据展示流程的实际运行情况。流程映射则运用人员的知识和流程设计方法，记录或规划工作应如何开展。

	流程挖掘	流程映射
数据来源	IT系统中的事件日志数据	访谈、研讨会和文档
输出	根据记录的事件呈现流程行为	记录或设计好的流程
所需投入	取决于数据访问和准备情况	取决于范围和利益相关方的参与程度
覆盖范围	可以展示事件日志记录的路径	取决于人员记录的内容
适用场景	了解流程的实际运行情况	设计或记录流程

两种方法可以相互补充。先用流程挖掘调查数据所呈现的流程，再用流程映射或BPMN建模记录或设计变更。ProcessMind在同一平台中支持流程挖掘和流程映射。了解两者如何互补，请阅读流程建模与流程挖掘的协同价值。

挖掘算法的实际工作原理

流程挖掘算法将事件数据转化为流程模型。已发表的研究介绍了几类算法：alpha算法推导活动之间的关系，是经典的入门算法；启发式挖掘器能够容忍噪声和不完整日志；模糊挖掘器适用于非结构化行为；归纳式挖掘器则构建可保证正确性的流程树。每种算法都针对特定类型的日志定义，并生成其定义所规定的模型。

ProcessMind提供三种自有挖掘器。您可以在挖掘模型对话框中选择一种，也可以设置网关策略，决定绘制结果的严格程度，具体说明请参阅流程挖掘文档。

挖掘器	生成结果	适用场景
Directly-Followed-By miner	平面模型，将每项活动与紧随其后的活动相连，不嵌套子流程	您希望直接查看未经处理的日志，或检查数据中的实际内容
Simple Miner	递归拆分图中的密集部分，形成嵌套片段	您需要能在一个屏幕内查看的紧凑模型
AI Miner	基于增强数据进行AI分解，并识别和绘制并行区域	日志杂乱或不完整，或流程包含平面模型无法呈现的并行工作

AI Miner是我们自主开发的挖掘器，并非对已发表算法的重新实现。它会结合事件日志读取增强数据，识别并行区域，并按层级拆分流程图，使模型保留日志所反映的结构，而不是将其压平。这正是它的价值所在：已发表算法的定义通常假设日志干净且完整，而大多数组织拿到的导出数据并非如此。AI Miner旨在处理实际已有的数据，而不是只适用于算法定义所要求的数据。三种挖掘器中，只有AI Miner需要增强数据。因此，面对全新的日志，建议先使用Directly-Followed-By miner，作为诚实可靠的起点进行比较。

挖掘器生成结构后，布局算法会对其进行排列，让流程更易阅读。ProcessMind的Clarity Engine负责这一步。

为什么流程挖掘值得关注

流程挖掘可以帮助您查看所有已记录案例中的工作情况，而不必只依赖流程说明或少数示例。它可以帮助您：

• **查看流程变体：**比较各案例经过的路径，识别常见或少见的路径。
• **调查延误：**查看案例在哪些环节等待，以及哪些活动耗时较长。
• **发现返工：**查找重复活动和循环，这些情况可能意味着存在错误或要求不明确。
• **检查一致性：**将实际行为与参考流程进行比较。
• **跟踪绩效：**使用仪表板和KPI持续查看流程指标。

这些发现可以帮助您提出更有针对性的问题，但无法证明延误或偏差的原因。决定变更前，请与相关人员沟通并核实背景信息。

了解流程仪表板和KPI如何帮助您查看流程绩效。

流程挖掘的优势、局限与风险

优势

流程挖掘让您客观了解工作情况，无需依靠任何人凭记忆还原：

• 它展示日志中所有案例的行为，而不只是少数人记得的案例。
• 它能缩短诊断时间，因为流程路径、延误和返工都会直观呈现。
• 只要IT系统中留有结构化事件数据，任何流程都可以进行挖掘。
• 流程仪表板让业务团队也能直接查看这些依据，而不只是分析师。

局限

证据质量取决于日志，而准备日志需要投入工作：

• 数据质量差，可能得出看似确定、实际错误的结论。分析结果的可靠性取决于事件日志。
• 数据准备和核查往往是项目中最费力的部分。
• 流程挖掘不会修复流程，只会指出需要调查的问题；决策和变更仍由人员负责。
• 复杂模型不易阅读。请从一个明确的问题和相关路径入手。

风险

如果使用不当，同样的证据也可能造成负面影响：

• 用流程数据指责个人会引发恐惧和抵触。应关注流程条件，而不是个人。
• 误读数据会导致错误结论，因此请与了解实际工作的人共同验证发现。
• 有些工具需要大量IT支持和投入。承诺使用前，请先评估部署成本和所需技能。
• 没有明确问题就开始分析，只会得到更多数据而非洞见，也无法据此做出决策。

流程挖掘有时看起来像变魔术，但事实并非如此。它能带来以往看不到的洞见，但最难的一步仍由您完成：把洞见转化为变更。只有落实行动，分析才真正有价值。

如何避免误用流程挖掘

明确的问题、可靠的数据和能够解读结果的人员，是流程挖掘发挥作用的关键。以下错误会损害项目的可信度。

目标不明确时，不要贸然开始

漫无目的地探索，容易让分析无法支持决策。请从具体问题入手，例如“为什么发票审批需要十天以上？”或“客户入驻过程中，哪些环节容易延误？”明确的问题能帮助您确定要分析的流程、数据和指标。

一个经得起检验的目标应明确三点：流程、分析周期，以及分析要支持的决策。加载数据前先写下来，并与流程负责人达成共识。这样可以避免试点范围不断扩大，最终什么都覆盖，却什么问题也回答不了。

如果您不确定从哪里开始，可以先参考流程改进指南，其中已明确项目范围。指南列出了流程、系统、需要导出的字段和需要记录的活动，让您一开始就能提出可用现有数据回答的问题。

不要指望工具自动修复流程

流程挖掘用于分析流程行为，并不是自动解决方案。它可能显示审批耗时过长，但原因和改进措施仍需由您查明。请查看分析结果，与相关人员讨论，并在变更后再次衡量流程。

不要孤立开展分析

数据需要结合背景解读。独自分析流程并发送报告，可能会忽略绕行路径存在的原因，也可能无法判断它是否满足合理的业务需求。请与流程管理人员合作；在需要访问或验证数据时，也要让IT团队参与。他们的知识有助于说明日志能够揭示什么、无法揭示什么。

从一开始就让相关人员参与，而不是等到评审时才邀请，并向他们说明分析目的。提前了解问题的人，可以解释绕行路径、临时变通做法，或只存在于实际操作中的步骤。

实际执行工作的员工也清楚哪些步骤不会在系统中留下记录。这些缺口会让挖掘出的流程显得不完整。在ProcessMind中，您可以将其标记为数据流经，让它们显示在流程模型中，而不必虚构从未记录的事件。

不要把流程挖掘当作一次性项目

流程改进后仍会不断变化。变更后应再次检查，并持续比较结果，观察实际执行方式是否发生变化。持续监控，才能将发现转化为成果。

不要用分析结果指责员工

流程挖掘揭示的是工作如何开展，而不是谁做错了。请说明分析目的，并从一开始就让流程负责人和员工参与进来。如果数据表明某个团队耗时更长，不妨了解差异背后的原因：工作量、系统限制，还是步骤说明不够清晰。问题通常源于流程设计，答案也往往来自实际执行工作的员工。

不要使用质量不佳的数据

分析结果取决于事件日志。时间戳缺失、活动名称不一致或案例ID错误，都会使流程呈现与实际情况不符。请确认每个字段的含义，确保事件归属正确的案例，并在分析完整数据集前先抽样检查。流程数据从哪里获取介绍了所需字段。

如何开始

从范围明确的试点入手，您就能了解流程挖掘可以揭示什么，而不必一开始就分析所有流程。

ProcessMind如何助您开展流程挖掘

流程挖掘的应用场景

只要流程活动有数字记录，并且能关联到具体案例，就可以进行流程挖掘。常见场景包括：

• **订单到收款（O2C）：**分析订单生命周期，从客户下单到收款，调查履约、开票或收款环节的延误。
• **采购到付款（P2P）：**检查从采购申请到供应商付款的采购流程，查找审批延误或重复工作。
• **IT服务管理（ITSM）：**分析服务台工单，找出解决缓慢的路径、升级处理和SLA违约情况。
• **客户入驻：**检查新客户的入驻流程，找出延误或客户流失发生的环节。订单管理则从履约环节分析同类问题。
• **理赔处理：**检查保险或医疗理赔在审核和处理环节的流转情况。
• **制造与供应链：**检查生产和供应链流程，调查延误、质量问题或资源限制。

事件数据可以来自SAP、Oracle和Microsoft Dynamics等ERP系统，Salesforce和HubSpot等CRM平台，ServiceNow和Zendesk等服务台工具，也可以来自定制应用。系统数据是否适用，取决于您能否识别案例、活动和时间戳。

按行业、部门或转型角色浏览资源库，也可以根据您的流程和系统，从流程改进指南入手。每份指南都会列出需要导出的字段、需要记录的活动，以及从源系统填写数据模板所需的信息。

ProcessMind应用场景

探索适用于不同团队和行业的流程挖掘场景。

流程挖掘、数据挖掘与机器学习的区别

流程挖掘、数据挖掘和机器学习以不同方式分析数据。流程挖掘关注案例如何随时间经过各项活动。数据挖掘从数据集中寻找模式。机器学习则利用数据进行预测或分类。

	流程挖掘	数据挖掘	机器学习
回答的问题	流程如何运行？	数据集中存在哪些模式？	接下来可能发生什么，或这个案例属于哪一类？
分析单位	随时间经过各项活动的案例	记录、行和特征	映射到预测结果的输入数据
输入	包含案例ID、活动和时间戳的事件日志	已准备好的数据集	已标记或未标记的训练数据
输出	流程模型、流程变体、一致性检查和瓶颈	模式、细分群体或聚类	预测、评分或分类结果
典型用途	找出订单在哪个环节等待，以及如何流转	从客户记录中发现模式	预测哪些交付可能延误

关键区别在于各方法要回答的问题不同。流程挖掘会保留活动的先后顺序，能够显示案例是否在交接环节等待或重复执行某项活动。数据挖掘可以识别多条记录中的模式，机器学习则可以估算某种结果发生的可能性。

这些方法可以互相补充。您可以先用流程挖掘了解流程并识别差异，再用其他分析方法调查模式或预测结果。预测本身既不能解释流程，也不能改变流程。

如需了解流程分析中的更多术语，请参阅ProcessMind术语表。

接下来可以了解什么

了解流程挖掘最快的方法，是查看它如何分析您熟悉的事件日志。加载导出数据，或从示例流程开始，流程挖掘的定义便不再抽象。

• → Open the getting-started path
• → Read the common failure modes before you scope anything

See your own process in about ten minutes→