Hieronder een analyse van voorbeeldproces met de Process Mining tool Prom. Het laat zien wat eraan procesmining mogelijk is en hoe dit zou moeten samenwerken met het concerndashboard.
Aanpak
Allereerst is de dataset van de bron van het afgelopen jaar verwerkt en geschikt gemaakt voor Process Mining. Dit was nu een handmatige actie. Voor een geschikte gestructureerde aanpak van Process Mining zal deze fase verder kunnen worden geautomatiseerd.
stap 1. Basisanalyses met Prom
1.1 eventlog dashboard
Rechts zien we dat het log data bevat van 14-9-2015 tot 12-9-2016
Het log bevat 118906 cases en 413423 events.
Gemiddeld heeft een case 3 events. Het maximum is 7. Het minimum is 1.
Totaal zijn er 8 verschillend eventclasses.
1.2 summary
Hieronder de summarygegevens.
Hierin kunnen we zien welke events voorkomen.
Enige conclusies:
Bijna alle cases beginnen met het event melding.
Veruit de meeste cases hebben afgehandeld als laatste event. Ruim 2% heeft doorverwezen als laatste event. Dit geldt ook voor melding.
1.3 trace variants
Hierin is precies te zien welk processtappen het meest voorkomen.
1.4 dotted chard
Hier kunnen we zien dat de meldingen redelijk constant binnenkomen. Veel meldingen zijn snel weer opgelost. Sommige duren langer.
In het dashboard van de gemeente is te zien dat de maand mei qua opostijd een slechtere performance had. Hierop kan hier verder worden ingezoomd. (Wordt hier nog niet gedaan)
2.Analyse van het proces (discovery)
om de data te analyseren heb ik een viertal mining-algoritmes gebruikt. De meest waardevolle modellen zijn de inductive miner en de fuzzy miner.
alfa-algoritme ; gebaseerd op onderlinge volgorde van de events
heuristic miner; gebaseerd op de frequetie waarin events voorkomen
inductive miner; gebaseerd op recursive splits (levert altijd een 'sound' model op)
fuzzy miner; creërt een model met graven (levert altijd een 'sound' model op)
2.1 alfa model
een van de eerst ontworpen algoritmes. uikomst is niet alijd een 'sound' model
2.2 heuristic miner
laat al zien hoe vaak de events voorkomen
2.3 inductive miner
Hier kunnen de events worden gevolgd. Hier een voorbeeld.
Minder voorkoemende paden kunnen worden weggefilterd.
2.4 fuzzy model
Levert geen procesmodel op. Wel laat het de relatie tussen de verschllende events zien. (graphs)
3. model check (conformance checking)
Wanneer we een model hebben gebouwd kan vervolgens worden gekeken hoe het overeenkomt met een nieuw te creëren log. Bijvoorbeeld van een nieuwe maand. Kan later worden gedaan.
Hieronder een tweetal voorbeelden (met een voorbeeld proces) hoe conformance checking eruit kan zien. De kleur geeft weer in welke mate proces en log overeen komt.
4.overige analyses
Met Process Mining is het ook mogelijk allerlei resourceanalyses uit te voeren. Herbij kan worden gekeken wie de processen uitvoerd.
Uiteindelijk kunnen hier allerlei bekende dataminingtechnieken worden gebruikt om de data verder te analyseren, zoals clusteranalyse, beslisbomen etc. Belangrijk is hier dat de inputdata goed genoeg is en geldt hier ook garbage in = garbage out.
5.slot
Dashboard en Proces Mining moeten hand in hand gaan. Dan kan worden gezien hoe het proces verloopt in maanden waarin slecht/goed wordt gepresteerd en hoe zich dat verhoudt.
Process Mining moet op een gestructureerde wijze worden aangepakt. Het is in wezen een onderdeel van Business Intelligence en zou moeten aansluiten op het dashboard. Het dashboard levert de KPI's.
De key prestatie indicatoren laten zien of het proces 'goed' is verlopen. Met Process Mining kan vervolgens op het proces worden ingezoomd.
