Praktijk Voorbeeld

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.

Boeken over big data (analytics)

boeken over big data  (geen garantie uiteraard dat de links blijven werken!)
Data Warehousing in the Age of Big Data (Krishnan)
VINT over Big Data Helderheid creeren deel1 (Sogeti)
VINT Big Social Gedrag voorspellen met Big Data deel2 (Sogeti)
VINT Uw Big Data Potentieel deel4 (Sogeti)

Boeken over Hadoop
Hadoop for Dummies
Hadoop The Definitive Guide - OReilly

Boeken over digitale overheid
essay-estafette-reflecties-op-de-toekomst-van-de-digitale-overheid
Big Data Gedreven Gemeente

Boeken over data virtualisatie
data virtualization in BI  (Pullokaran)

Free boeken op amazon
The culture of big data (Barlow)
Hadoop Explained (Shenoy)
Disruptive Possibilities - how big data changes everything (Needham)
Big Data Now - O'Reilly (Nadar)
Real-time big data analytics - emerging architecture (Barlow)

Links over big data
overzicht_data_mining_map.htm
what-is-big-data-what-are-nosql-databases-what-is-hadoop-pig-hive/
martinfowler.com/noSQL.html
de-zin-en-onzin-van-nosql
hadoop-tutorial/
mapr/top-ten-reasons
big-data/big-data-hadoop-wat-je-beslist-moet-weten
STAtOR_2013-3en4_totaal !!
data virtualization and business intelligence - cap gemini

BPM TQM Lean en Six Sigma

Business Process Management (BPM) gaat over het overzien hoe werk in een organisatie wordt uitgevoerd, om constistente uitkomst te verzekeren en voordeel te behalen uit mogelijke verbeteringen.



Hoe verhoudt zich dit tot methoden als TQM, Lean en Six sigma?

Total Quality Management (TQM)
Bij TQM ligt de focus bij continue verbeteren. komt daarin overeen met BPM
Bij TQM ligt de nadruk op verbetering van de producten en services zelf.
Bij BPM ligt de nadruk op het verbeteren van de processen die de producten en services creëren.

Lean
Lean is een management discipline, afkomstig van fabrieksindustrie. filosofie bij Toyota
Belagrijkste principe is de eliminatie van verspilling. Beide hebben klantbenadering.
BPM heeft lean geabsorbeerd. BPM maakt meer gebruik van IT als een tool om processen te verbeteren.

Six Sigma
 Afkomstig van Motorola. focus ligt bij minimaliseren van fouten. Legt nadruk bij meten van de output van processen. Gaat om systematisch vergelijken. In de praktijk vaak samen uitgevoerd met Lean. Veel Six sigma is tegenwoordig opgenomen in BPM.
boek: The six sigma handbook - Pyzdej

Social network analysis

I used BPI Challange 2012 to use social network anlysis.

I used 'mine for handover-of-work'.

Some resources work om there one. Some has only a workover with one or a few oher resources.  Many resources has takeover with many others. 

Below I used 'mine for working together'. It shows which resources have a central position.

Links Process Mining

Definitie
Een proces management techniek waarbij analyses worden gemaakt op basis van event logs

Process Mining Presentatie Johan Quist

Interessante links over process mining
Overzicht van interessante links over Process Mining
Wil-van-der-Aalst-over_Process-Mining.pdf

Process Mining Tools
Er zijn tegenwoordig tientallen bedrijven die Process Mining aanbieden. Hier een overzicht van een aantal bedrijven die Process Mining tools aanbieden:
http://www.promtools.org  Prom (open source)
http://www.promtools.org  Prom lite (open source)
http://www.promtools.org  RapidProm (Rapdminer)
http://www.lexmark.com   Perceptive Process Mining
http://www.celonis.com/   Celonis
http://www.fluxicon.com   Disco
http://www.qpr.com           QPR
http://www.icris.nl/            The Process Mining Factory

Cursussen Process Mining
Process Mining data science in action (TUe via Coursera - sterk aanbevolen)
Process Mining with Prom (TUe via Futurelearn)

analyse road traffic fine

Below I analysed the Road Traffic Fine-process for the Futurelearn-course 'Process Mining with Prom' 

First the summary:

The proces has 150370 process instances with 561470 events.

Always the same start event (start fine) but not always the same end event. (actually there are 7 different end events)

Now we look at the process summary, where we can see that there is data from januari 2000 till june 2013. There are 11 event classes. Some cases contains 20 events (10 event classes) some ony 2.
The mean event per case is 4.

In the explore event log we can see that almost 38% of the log has the events
Create-Send-Insert-Add penalty-Send. Almost 31% of the cases has only the events Cre-Pay.

Looking at the Event dotted chart we see a rather complex chart. Some filtering is needed to make it more easy.

Here a dotted chart were we can see the relation between the event-names and the index in the trace.
You can see that create is always on the first place and so on.

After filtering the log using simpe heuristics we can create a chart on timestamp and conceptname.

Sorting on timestamp of the first event result in the following chart.

You can see the process is not very constant and fluctuated a bit. Duration is longer since about 2005.

Analysing the process

First using the alfa miner (based on the ordering relations) to geta basic understanding of the process

With the heuristic miner (based on the number of events) we see a model and the number of events.

Below the Inductive miner

And inductive visual miner, with activities set to 0,55.

Here the fuzzy mining models looks as follows

Here with a closer focus

Fot conformance checking and further analysis I used the inductve miner. Seems the most clear to me.

Creating the model

As we see in the explore ent log almost 38% of the instance has the events Create-Send-Insert-Add penalty-Send and almost 31%  has only the events Cre-Pay. Here we can see this in a model.

Here I filtered the log using simple heuristic

Confirmance checking

Using the inductive miner and the log I first create the folowing model. (onformance analysis)

move-log-fitness is 0.99 Fitness is OK but this model is rather complex. 

So, below I created a more simpler model 

move-log ftness of this model is lower (= 0.82) but the model is more simple and easy to understand

Also tried the replay a log on petri net for performance/conformance checking

Average throughput time = 4,27 months

Max throughput time= 69,53 months

Observed period = 163,9 months

In the element statistics we can see that the event Payments has to longest throughput, with an avg. of 3,26 months

Social analysis

Social anaysis on this proces is  bit hard (for me). Here I tried the work together option.

Hope to find some better social analysis later.

It's clear to me that although I have a basic understanding of the mining algoritmes now, also experience is needed to make a good process mining analysis. It's aslo clear that (in good hands) Prom can be a very powerful tool.

Eigenschappen van een indicator

Een goede KPI is:
· simpel
· zichtbaar en informatief
· motiverend en beïnvloedbaar
· onderdeel van beleid
· bevorderen klantgerichtheid
· opgesteld met betrokkenen

en is natuurlijk ook SMART
- specifiek
- meetbaar
- accceptabel
- realistisch 
- tijdsgebonden

Wijze van aanpak bij inrichten van KPI’s

Welke manieren van aanpak kunnen we onderscheiden bij het inrichten van dashboards/kpi's,

Interessnt is het onderscheid van Kerklaan.
consolideren/handhaven vs. innoveren/vernieuwen
stimuleren/bottum up/decentraal vs. beheersen/centraal/sturend

matrix
stijl van leiding geven: stimuleren of beheersen heersende problematiek: consolideren of innoveren
Dit levert 4 wijzen van aanpak op

Systeemaanpak en procesaanpak (consolideren en stimuleren)
Gaat uit van bestaande systemen. Systeem: eerst de begrenzing van het systeem bepalen, welke processen behoren wel tot het systeem en welke niet? De relevante processen worden met elkaar in verband gebracht met behulp van het systeemmodel. proces:proces van een afdeling org. functie wordt in kaart gebracht. focus bij interne klanten in organisatie.

Horizontale aanpak (innoveren en stimuleren) kern van aanpak is het laten aansluiten van alle schakels van het primaire proces. Begint met inventarisatie van de klantenwensen. Vervolgens worden klantenwensen vertaald naar karakteristieken van het eindproduct.

Verticale aanpak (consolideren en beheersen) Begint bij de top, die strategische visie ontwikkelt. Visie wordt omgezet in duidelijke doelstellingen. topdownvertaling van doelen, uitgangspunt is formeel beleid

Balanced scorecard (Innoveren en beheersen) gaat uit van een vertaling van de missie en de visie naar meetbare zoekvelden. Vier vragen staan centraal: hoe zien onze klanten ons? op welk gebied moeten we onze prestaties verbeteren? hoe zien we eruit voor aandeelhouders en andere financiers? kunnen we blijven verbeteren en groeien?

Daan van Beek onderscheid verder twee andere aanpakken de data-driven aanpak(gaat uit van de gegevensbronnen van de informatiesystemen) en de market-driven aanpak (gaat uit van informatiebehoefte)

Hoeveel indicatoren heb je nodig om te sturen?

Hoeveel indicatoren heb je nodig om te kunnen sturen. In de praktijk een veel voorkomende vraag.
Kaplan en Norton snijden in hun boek "Op kop met de Balanced Scorecard" (blz. 185) dit belangwekkend onderwerp aan:

Als we ervan uitgaan dat er voor de constructie van elk perspectief op de scorecard tussen de vier en zeven afzonderlijke metingen nodig kunnen zijn, omvat de scorecard voor een onderneming vaak tot maximaal vijfentwintig verschillende metingen. Is dit niet te veel? Kan een onderneming zich wel op vijfentwintig afzonderlijke dingen concentreren? Het antwoord op beide vragen luidt: nee. Zodra een scorecard wordt gezien als een stelsel van pakweg tien tot vijfentwintig afzonderlijke metingen, is dat een veel te complex geheel voor iedere organisatie". Zij voegen daar aan toe:"Onze ervaringen geven aan dat een onderneming werkelijk haar hele strategie kan formuleren en bekendmaken op basis van een geïntegreerd stelsel van ongeveer vijfentwintig verschillende metingen". Dat kan alleen maar als er onderscheid gemaakt wordt in het karakter van de metingen die zij noemen: diagnostische metingen en strategische metingen (ibid.).

Diagnostische metingen geven aan of de zaak in de hand wordt gehouden en kunnen signaleren of er zich ongewone gebeurtenissen voordoen waaraan onmiddellijk aandacht moet worden geschonken.
Strategische metingen geven aan of de strategie werkt. "Een directie (kan) wel honderden of misschien zelfs duizenden waarden door middel van meting laten bewaken om zich ervan te overtuigen dat de onderneming nog volgens de verwachtingen functioneert, en om signalen te krijgen over de processen waar corrigerend ingrijpen nodig is. Deze metingen hebben echter niet betrekking op de prestatiemotoren achter succesvol concurreren. Ze geven een beeld van de noodzakelijke 'gezondheidsfactoren' die de onderneming in staat stellen om te functioneren. Ze moeten daarom worden bewaakt als diagnostische indicaties, zodat afwijkingen (van de verwachtingen) snel worden opgemerkt. Het komt in feite neer op managen bij uitsluiting". Hun stelling is dat in een bedrijf vele zaken worden gemeten, beoordeeld en bekeken en dat kan een goede zaak zijn, als er althans iemand is die de gegevens nodig heeft en die er iets mee kan en doet. De BSC echter is bedoeld om de aandacht van zowel managers als medewerkers te richten op die factoren waarvan mag worden verwacht voor de hele onderneming van wezenlijk belang - concurrentiedoorbraken in de woorden van Kaplan en Norton - zullen leiden. En dat kunnen er maximaal tien tot twaalf zijn. De noodzaak van het voorkomen van een overload aan informatie hangt hiermee samen. Informatie is niet hetzelfde als "gegevens". Daarom is bewerking en opschaling van informatie noodzaak. Informatie die op lagere managementniveaus tot stand komt, wordt waardevoller door een andere manier van presenteren. Hiervoor zijn drie methoden bruikbaar (zie Van Helden 1994, blz. 24). -Door te aggregeren; -Door te selecteren; -Door een nieuw eigensoortig product - of één integrale score - te definiëren. Ook met deze werkwijze blijven de praktische resultaten vaak achter bij de bedoelingen. Met als gevolg dat op het hoogste organisatieniveau (bijvoorbeeld in managementcontracten) gestuurd wordt met de "laagste" indicatoren. Men heeft gewoon niet de vaardigheid tot aggregatie, selectie of integratie.

Ahaus (blz. 27) geeft aan dat prestatiesturing mogelijk is door het benoemen van vijf tot tien succesbepalende factoren per perspectief van de BSC of resultaatgebied van INK. Bij iedere succesbepalende factor kunnen drie tot vijf prestatieindicatoren worden bedacht om deze te kunnen meten. Dit betekent dat al snel dat circa 100 prestatieindicatoren worden gedefinieerd voor het sturen van prestaties. Daarnaast is het volgens Ahaus nodig om allerlei processen in de organisatie te bewaken; zo nodig met procesindicatoren.

Dorr (blz. 138) noemt een maximum van vijftien tot twintig prestatieindicatoren.(*2)

* Op kop met de Balanced Scorecard - Kaplan en Norton
* Besturen met prestatieindicatoren - Rob Jansen (internet)
*  De cockpit van de organisatie – Kerklaan e.a.
*  De intelligente organisatie - Daan van Beek

dimensies van (Big) Data Analyse

 

Voor een training heb ik onderscheid gemaakt tussen verschillende dimensies van (big) data analyse.

Gekeken wordt ook in welke mate het afwijkt van klassieke data analyse.

 

1.strategie; welke strategische doelen worden ondersteund

2.welke stappen moeten worden genomen bij data analyse

3.welke type kennis wordt opgedaan

4.wat voor data wordt verwerkt

5.welke technieken worden gebruikt

6.welke tools worden gebruikt

7.architectuur

8.benodigde kennis

 

1. (Big) Data Analyse Strategie

De opkomst van big data zorgt dat analytics ingezet kan worden voor meer strategische doelen.

Bij klassieke DA: vooral interne beslissingen ondersteunen. Nu ook kostenreductie, tijdsbesparing en nieuwe producten en diensten.

Bv kostenbesparing:banken die hadoop gebruiken omdat dit goedkoper is dan db-opslag.

Tijdsbesparing: bedrijf dat BDA gebruikt om prijswijzigingen van alle producten binnen een uur te realiseren!

Zie ook het DELTA model van Davenport   Data, Enterprise,  Leadership, Targers, Analysts

Maturitiet van organisatie ; welke zijn relatief belangrijk bij BDA: Data en Analysts!

Andere relatief wat minder belangrijk omdat BDA data en tools (open source) weinig kosten, hoeven er niet direct veel investeringen tegenover te staan.

2.Processtappen (Big) Data Analyse

Over processtappen bij klassieke DA is natuurlijk zeer veel over geschreven. Crisp-DM, Semma. Gaan BDA projecten op zelfde wijze? Vooralsnog vaak niet. Vaak pilots met hackathons.

Belangrijk: software kost vaak niets (open source). Data(opslag) kost weinig. Kosten zitten hem in de mensen!

Klassieke DA – vooral hyphothesechecking/steekproeven; ~klassiek wetenschappelijk onderzoek

BDA – alles wordt onderzocht; Betekent dit het einde van de causaliteit, zoals bv Mayer/Chukier betogen in hun boek de Big Data Revolututie. Lijkt mij overdreven,  al kan zonder inzicht in causale verbanden toch interessante correlaties gevonden worden. (bv google voorspelt griep, supermarkt herkent of vrouw zwanger wordt.)

3. Type kennis bij (Big) Data Analyse

Wat voor type kennis wordt gezocht. 

Dit is bij BDA in principe het zelfde als bij DA  (kennis blijft kennis)

Zie bv CRISP-DM

4.Type data bij (Big) Data Analyse

klassieke DA ging vooral over gestructureerde data in databases. (bovenste drie boven)

Nu komen er bij BDA zeer veel types bij! Hier een poging dit te classificeren.

Hier komen we op een niveau dat we voorbeelden kunnen laten zien,  hier in R, van bv textmining, streaming etc. 

5. Technieken van (Big) Data Analyse

Hier een classificatie  van de verschillende supervised en unsupervised methoden.  

Bij bv textmining kan het bv uiteindelijk aankomen op  clustering van bepaalde texten.

Palet van technieken voor DA blijft (volgens mij) het zelfde bij BDA

6.Tools bij (Big) Data Analyse

belangrijk is een soort layers te onderscheiden.  R, Python bevinden zich hierboven op het bovenste niveau.

7.(Big) Data Anayse Architectuur

Bestaande grote bedrijven zullen hun BDA-architectuur (Hadoop etc) dienen te plaatsen in hun bestaande (DWH)-architectuur. Nieuwe(startups) zullen wellicht direct Hadoop als hun centrale architectuur gaan gebruiken.

 

DWH centraal of ‘Hadoop-cluster’centraal?

8.(Big) Data Analyse Benodigde kennis

Welke kennis heeft een (Big)Data Analist nodig.

Belangrijkste : Leergierig. en "beginnersmind"

Automation en Process Mining

Met automation wordt hier het automatisch genereren van het datawarehouse bedoeld.
Op basis van metadata worden het datawarehouse- en de datamartobjecten volledig transparant gegenereerd. Zie b.v. https://www.centennium.nl/nl/consultancy/centennium-automation-tool.

Dit zorgt voor snellere ontwikkeltijden, lagere kosten,  (Er is geen dure ETL-tool noodzakelijk) en grotere transparantie. De meeste traditionele Business Intelligence  richt zich met name op de creatie van datawarehouse en datamart. Automation kan ook ingericht worden om de eventlogs te genereren waarmee Process Mining kan worden uitgevoerd.

Hier een plaatje van de datawarehousearchitectuur waarbij dus wordt voorzien in zowel rapportage, dashboard als events waarmee process minig kan worden uitgevoerd.
De architectuur zal de komende tijd bij de veel organisaties uitgebreider worden door ontwikkelingen op het gebied van big data. BI kan een rol spelen bij het (op een gestructureerde wijze) totstandkoming van de eventlogs.

 

Business (un)intelligence

Business Intelligence helpt de klant informatie en kennis uit data te halen, data uit verschillende bronnen te integreren en vervolgens te presenteren in rapporten, dashboards etc.
Belangrijk is het verschil tussen BI al proces en BI als techniek.

----------------------
Definitie van BI als proces
Business Intelligence is het continue proces waarmee organisaties op gerichte wijze data verzamelen en registreren, analyseren en de daaruit resterende informatie en kennis in besluitvormingsprocessen toepassen om de prestaties van de organisatie te verbeteren.
-----------------------
Definitie van BI als techniek
Business Intelligence is de verzameling van ICT-hulpmidellen dat BI als proces in organisaties ondersteunt en efficiënt maakt
-----------------------

De laatste jaren zijn een aantal ontwikkelingen opgekomen. Er hoeveelheid data neemt toe (Big Data) en er komen steeds meer technieken om grote hoeveelheden op te slaan.

BI als technologie verandert dus volop. Maar BI als proces blijft precies het zelfde!

De klant wil nog steeds informatie/kennis uit zijn data halen, alleen is er nu meer data en zijn de oude structuren wellicht niet meer toereikend om deze data op te slaan. Op technisch vlak verandert er het nodige. Klanten gaan data opslaan in Hadoop en virtualisatie/Cloud-oplossingen gebruiken.

Deze technieken zorgen er voor dat de klant kan beschikken over meer data maar zal de klant op zich niet helpen om beter informatie/kennis uit zijn data te halen. Het zal eerder moeilijker worden doordat de hoeveelheid data stijgt.

Om grip op de data te kringen zal de klant moeten kijken naar zijn processen. Waar het uiteindelijk om gaat is dat een klant zijn processen verbetert. Process Mining is hot!

(Definities: met dank aan https://www.biaward.nl/wat-is-business-intelligence-bi)

Process Mining en Business Intelligence

Process Mining is een relatief jong onderzoekstermijn. Het idee erachter is het ontdekken, onderzoeken en verbeteren van processen op basis van eventlogs. Het gaat dan om de echte processen dus en niet zoals ze zijn beschreven. Het maakt gebruik van procesmodellen uit ruwe data.

Bij klassieke Business Intelligence- en ook dataminingtechnieken ligt de nadruk op de data. Een duidelijke procesoriëntatie ontbreekt. Process mining kan hier een enorme toegevoegde waarde hebben om de benadering meer procesgericht te maken.

Tegelijkertijd maken klassieke Business Process Management (BPM)-technieken voor procesanalyse geen gebruik van de grote hoeveelheden data die tegenwoordig beschikbaar zijn. De nadruk ligt hier op het handmatig werken aan processchema’s. Process Mining kan ook een waardevolle aanvulling zijn op Lean Six Sigma.

De laatste jaren zijn een groot aantal algoritmes ontwikkeld om uit eventlogs processchema’s te destilleren en om checks uit te voeren. Op deze manier worden klanten niet meer alleen geholpen met het verkrijgen van inzicht, maar helpen we ze echt met verbeteren. Wat we uiteindelijk willen bereiken is het verbeteren van processen en niet de data, data is slechts een middel.   “It’s the process stupid!!!!” (citaat Wil van Aalst)

Process Mining gebruikt de event logs om de processen te onderzoeken. Deze eventlogs zullen een andere structuur hebben dan de feitentabellen. Waar feiten in een datawarehouse ‘casegericht’ zijn, moeten de inputlogs voor process mining ‘eventgericht’ zijn.

 

Het introduceren van Process Mining is overigens zeer laagdrempelig. Zodra er een eventlog beschikbaar is en een Process Miningtool kan er worden begonnen. Een grote uitdaging voor Process Mining is het verzamelen van de logdata. Organisaties met een georganiseerd datawarehouse kunnen deze uiteraard (eventueel geautomatiseerd) uit hun datawarehouse halen. Reden waarom BI Process Mining zou moeten omarmen.

Er zijn verschillende tools op de markt (ook open source zoals ProM) waarmee Process Mining kan worden uitgevoerd. RapidMiner heeft de extentie RapidProm beschikbar. Op de Eindhovense Universiteit is Wil van Aalst professor op dit vlak.  Process Mining dient, voor de organisatie die echt structureel aan zijn processen wil werken, een continu process te zijn.
 

Het bovenstaande schema, afkomstig van de school van Wil van Aalst van TUe, wordt hier veel gebruikt. Process Mining bestaat uit grofweg uit drie delen.

- Discovery : Het ontdekken van processen uit de eventlogs

- Conformance checking : Kijken of het model en de log overeenkomen

- Enhancement : Uitbreiden/Aanpassen van het model a.d.h.v. het proceslog. Hierbij kunnen vervolgens weer allerlei dataminingtechnieken worden gebruikt. Bijvoorbeeld beslisbomen om te voorspelen welke processen fout zullen lopen. 

process-mining-wint-aan-populariteit-in-bpm-vakgebied
Toegevoegde-waarde-van-process-mining-1406-Informatie_p14-21.pdf

Soorten Business Intelligence

Het gebied informatiemanagement wordt beheerst door vele soms wat holle containerbegrippen. Belangrijker dan dat een begrip de lading dekt is dat hij sexy is, zo lijkt het soms. Enige decenia geleden waren termen als Decision Support Systems en Datamining veel gebruikt. Deze termen klinken nu al bijna ouderwets. Later kwamen termen als Datawarehouse en Business Intelligence op. De laatste tijd zijn termen als Big data, Data Science , (predictive) Analytics weer hot. Flink verwarrend en niet altijd constructief. Hoe hangen deze termen samen, vervangt de een de ander?

Claudia Imhof en Colin White hebben hier ooit een poging gedaan hier helderheid in te brengen op een manier die mij aanspreekt. (zie hun artikel Full circle: decision intelligence) Eigenlijk dekt de term Decision Support Systems in hun ogen het beste de lading, maar omdat de term business intelligence al zo ingeburgerd is stelden ze de term business decision intelligence als naam voor. De naam is natuurlijk niet het belangrijkste, maar belangrijker is dat er een architectuur ontstaat waarin naast de klassieke BI plaats is voor de belangrijkste uitbreidingen die in mijn ogen op het gebied van process management en content management liggen.

Klassieke BI gaat uit van een datawarehouse waarin alle gestructureerde data wordt opgeslagen, waarna rapportages, dashboards etc. worden gemaakt.

Deze klassieke benadering heeft twee beperkingen:
- Ze is data gericht en heeft geen aandacht voor het proces
- Er wordt alleen gekeken naar gestructureerde data


Schema van Imhof/White

Bij Business process intelligence staan de processen centraal. Nieuwe technieken op het gebied van process minng maken het mogelijk processen te analyseren. Bij business content intelligence is er aandacht voor de (ongestructureerde) content. BPI, BDI en BCI zijn nauw met elkaar verweven. Big Data technologiën zijn hier ook mee verweven.

Business Intelligence gaat over ook integratie van gegevens. Naast klassieke BI moet ook analyse op ongestructureerde content of operationele procesgegevens mogelijk zijn.

Business Intelligence in 7 modellen

Een plaatje zegt meer dan 1000 woorden. Dit gezegde geldt uiteraard ook voor Business Intelligence. Hoe kunnen we Business Intelligence het best weergeven in een aantal plaatjes?Hieronder mijn top zeven: een overzicht van de 7 naar mijn inzicht belangrijkste BI-modellen + uitleg waarom ik juist voor deze modellen heb gekozen.

1. Stappen van de BI-cyclus

Dit model laat zien welke verschillende stappen van BI kunnen worden onderscheiden. Laat goed zien dat BI meer is dan informatie verzamelen. Bron: Daan van Beek

https://www.computable.nl/artikel/achtergrond/business-intelligence/1701250/1444691/inleiding-business-intelligence-de-voordelen-en-de-evolutie-van-een-miljardenmarkt.html

2.Datawarehouse-architectuur-model

Dit model laat de architectuur van het datawarehouse zien. In DWH-land waarschijnlijk een van de meest gebruikte modellen. Dit voorbeeld is van

http://cognosteacher.blogspot.nl/2010/11/what-is-datawarehousing-architecture.html

3. Maturiteitsmodel

Het Capacibily Maturity Model. BI gaat verder dan het implementeren van wat tools. Het is van belang BI integraal aan te pakken. een CMM-model dienst om het niveau van de huidige BI-omgeving en de gewenste omgeving weer te geven. Bron : Wiki

http://upload.wikimedia.org/wikipedia/commons/6/64/Characteristics_of_the_Maturity_levels.jpg

4. BI / big data ecosysteem

Een van de plaatjes waarin de klassieke datawarehouse-achcitectuur wordt uitgebreid met hadoop etc.

5. BI en andere disciplines

Dit vind ik een interessant model. 1.Het model laat het verband tussen data-informatie-kennis zien. 2.Het model laat zien dat BI zich vooral op expliciete kennis, interne, nformatie en kwantitatieve data richt . 3.Het model maakt onderscheid tussen een aantal andere vormen van intelligence. Bron: Joseph Rodenberg

http://www.kennisportal.com/main.asp?ChapterID=3924

6. BI skills

Wat voor skills zijn nodig bij BI. Bron: Gartner

7. Niveau van BI

Dit model geeft graad van BI weer. Bron: Thomas Davenport

http://farm4.static.flickr.com/3169/2320623163_d99938e946.jpg