Datamining of process mining: wat helpt uw operatie vooruit?
Voor operations-, productie- en algemeen managers die iets met hun data willen: wat elk van beide oplevert, wat het vraagt en waar het vastloopt
Datamining zoekt patronen in een gegevensverzameling: welke omstandigheden samengaan met afkeur, welke groepen orders op elkaar lijken, wat een waarde voorspelt. Process mining reconstrueert uit gebeurtenissen met een case, een activiteit en een tijdstempel hoe het proces werkelijk verloopt, en toont wachttijden en afwijkingen. Datamining antwoordt op de vraag wat met wat samenhangt, process mining op de vraag hoe het werk door de operatie loopt. Beide beginnen bij een concrete vraag en een vastgelegde indicator, niet bij de data.
Wat is het verschil tussen datamining en process mining?
Datamining past algoritmes toe om patronen uit data te halen; Fayyad, Piatetsky-Shapiro en Smyth (1996) zien het als één stap in een ruimer proces van kennisontdekking. Process mining reconstrueert uit de gebeurtenissen die uw systemen registreren hoe een proces werkelijk verloopt, niet hoe het op papier zou moeten. Datamining vraagt wat met wat samenhangt; process mining vraagt hoe het werk door de operatie loopt.
Van der Aalst situeert het in Process Mining: Data Science in Action (2016) binnen de bredere data science. Voor een manager telt vooral het verschil in vertrekpunt: datamining vertrekt meestal van een tabel met kenmerken en meetwaarden, process mining van een reeks gebeurtenissen per order of per stuk.
Wat levert datamining op in een productie- of operationele unit?
Fayyad e.a. onderscheiden twee doelen, voorspellen en beschrijven, met technieken als classificatie, regressie, clustering en het opsporen van afwijkingen. In een productie-unit gaat het dan om vragen als: welke combinatie van grondstof, instelling en ploeg gaat samen met afkeur?
Dezelfde auteurs wijzen ook op de beperking. Datamining is één stap in een groter proces dat begint met het doel en eindigt met het gebruik van de gevonden kennis. Wie algoritmes blind op data loslaat, doet volgens de auteurs aan data dredging en vindt betekenisloze of ongeldige patronen. Een samenhang is bovendien nog geen oorzaak: ze wijst aan waar u gaat kijken.
Wat levert process mining op?
Een kaart van hoe het werk echt loopt: welke varianten van het proces voorkomen, waar orders wachten en waar werk teruggaat naar een vorige stap. Het manifesto onderscheidt drie toepassingen: ontdekking (discovery) bouwt zo'n model uit de gebeurtenissen zonder voorafgaande informatie over het proces, conformiteitscontrole (conformance) legt het werkelijke verloop naast het voorgeschreven proces, en verrijking (enhancement) voegt er wachttijden en knelpunten uit de tijdstempels aan toe.
Het manifesto waarschuwt ook dat process mining geen eenmalige oefening is, omdat processen veranderen terwijl u ze analyseert.
| Datamining | Process mining | |
|---|---|---|
| Kernvraag | Wat hangt samen met wat? Wat kunnen we voorspellen? | Hoe loopt het werk werkelijk, en waar wijkt het af? |
| Vertrekpunt | Meestal een tabel met kenmerken en meetwaarden per order, stuk of meting | Gebeurtenissen met een case, een activiteit en een tijdstempel |
| Resultaat | Patronen, groepen, voorspellingen | Een procesmodel met varianten, wachttijden en afwijkingen |
| Typisch in productie | Afkeur of storingen gekoppeld aan omstandigheden | Doorlooptijd van order tot levering, herwerklussen, wachten voor een stap |
| Waar het vastloopt | Patronen zonder vraag, samenhang verward met oorzaak | Geen bruikbare case-ID, gebeurtenissen verspreid over systemen, onvolledige registratie |
Welke data vraagt process mining?
Een gebeurtenissenlog (event log). Volgens het manifesto verwijst elke gebeurtenis naar een activiteit, een welomschreven stap in het proces, en naar een case, het geval dat door het proces loopt. Voor wachttijden en doorlooptijden is ook een tijdstempel nodig. Wie of welke machine de stap uitvoerde, en kenmerken zoals de ordergrootte, maken de analyse rijker.
De eerste keuze is wat de case is, en die is minder vanzelfsprekend dan ze lijkt. Het manifesto geeft het voorbeeld van orders, orderlijnen en leveringen: één order kan meerdere leveringen geven en één levering kan lijnen van meerdere orders bevatten. Elke keuze levert een ander procesmodel op. In productie geldt hetzelfde voor een productieorder, een lot of een individueel stuk.
Waar loopt het in de praktijk vast?
Doorgaans op de data. Het manifesto noemt als eerste uitdaging het vinden, samenvoegen en opschonen van gebeurtenissen. De gegevens zitten verspreid over systemen met elk een eigen identificatie, gebeurtenissen verwijzen niet altijd naar de case, tijdstempels ontbreken of zijn alleen per dag geregistreerd, en uitschieters moeten herkend worden.
ERP-tabellen zijn volgens het manifesto doorgaans betrouwbaar maar niet noodzakelijk volledig; met de hand bijgehouden registraties staan op het laagste niveau, en dan zijn de resultaten niet betrouwbaar. De CRISP-DM-handleiding geeft een vaak gehoorde vuistregel mee: het voorbereiden van de data vraagt het grootste deel van de tijd. Registreren uw systemen gebeurtenissen per medewerker, dan stelt het manifesto als kwaliteitseis dat de betrokkenen weten wat er geregistreerd wordt en waarvoor.
Waarom legt u eerst de vraag en de indicatoren vast?
Omdat de data anders geen richting heeft. Het manifesto maakt er een richtlijn van: de extractie van gebeurtenissen moet gestuurd worden door vragen, want zonder concrete vraag valt uit duizenden ERP-tabellen niet te kiezen welke relevant zijn. CRISP-DM waarschuwt dat wie het bedrijfsdoel overslaat, veel moeite steekt in juiste antwoorden op de verkeerde vragen.
Leg daarom vooraf vast welke uitkomst moet verbeteren, met welke indicator u dat meet en wat de nulmeting is. Hoe u zo'n indicator sluitend definieert, werkten wij uit in PI of KPI: indicatoren die sturen, en voor magazijn en transport in KPI's in magazijn en logistiek. Pas dan weet u welke data u nodig hebt, en of datamining of process mining het antwoord kan geven.
Hoe ziet dat eruit in een productie-unit?
Een bedrijf levert te vaak laat en vraagt: "Wat kunnen we met onze data?" Eerst wordt de vraag scherp gesteld: waar gaat de tijd tussen de vrijgave van een productieorder en de verzending naartoe? Dat is een procesvraag. Per order worden de stappen met hun tijdstempels uit de systemen gehaald; de proceskaart toont waar orders wachten en waar ze teruggaan voor herwerk.
Blijkt het herwerk zich te concentreren bij één bewerking, dan komt een tweede vraag op: welke omstandigheden gaan samen met dat herwerk? Dat is een vraag voor datamining, op de meetwaarden en instellingen van die bewerking. De twee technieken vullen elkaar dus aan; ook het manifesto pleit ervoor ze te combineren. Het antwoord blijft een aanwijzing die u op de vloer controleert, met de mensen die het werk doen, en waarvan u het effect meet tegen de nulmeting.
Wanneer helpt externe begeleiding?
Wanneer de vraag nog niet scherp is, wanneer de data in verschillende systemen zit die niet op elkaar aansluiten, of wanneer een eerste analyse mooie grafieken opleverde maar geen beslissing. Soms is de eerlijke vaststelling dat de data het antwoord nog niet toelaat en dat eerst de registratie beter moet.
Wij stuurden zelf operaties bij op cijfers: als verantwoordelijke voor een internationale vloot, tegen een nulmeting van (K)PI's, en eerder in de baggerwerken, waar wij met rapporteringstools de uurproductie en operationele efficiëntie van een cutterzuiger verbeterden. Wij beginnen met u bij de vraag en de indicator, kijken welke data uw systemen al registreren en hoe betrouwbaar die is, en kiezen dan pas de techniek. Onze aanpak staat bij operational excellence, en voor magazijn en transport, met process mining als vertrekpunt, bij logistiek management. Gaat de vraag over koers, organisatie of investeringen, dan bij management consultancy.
Een algoritme vindt altijd een patroon. De vraag is of het patroon een beslissing verandert.
ir. Ben Verlinden
Vragen over datamining of process mining?
Is process mining een vorm van datamining?
Niet helemaal. Volgens het Process Mining Manifesto is process mining niet zomaar een soort datamining, maar de schakel tussen datamining en procesmodellering. De meeste dataminingtechnieken zijn volgens het manifesto helemaal niet procesgericht. Process mining levert een procesmodel op: de stappen, hun volgorde en de tijd ertussen, gekoppeld aan de onderliggende gebeurtenissen.
Kan ik starten met exports uit ons ERP?
Vaak wel, als elke regel naar een herkenbare case verwijst, een activiteit benoemt en een tijdstip heeft. Volgens het manifesto zijn ERP-tabellen meestal betrouwbaar maar niet altijd volledig, en moeten de gebeurtenissen uit verschillende tabellen samengebracht worden. Handmatig bijgehouden registraties zijn het zwakst. Een korte datacheck vooraf toont of de data het toelaat.
Heb ik daar een datateam voor nodig?
Niet om te beginnen. Wat u wel nodig hebt, is iemand die de vraag scherp stelt, iemand die het proces op de vloer kent en iemand die de data uit de systemen kan halen. Het meeste werk gaat doorgaans naar het verzamelen en opschonen van de data.
Gerelateerd
Bespreek uw dossier
Een eerste gesprek is vrijblijvend. Plan meteen een moment in, of stel uw vraag via het formulier.
Laatst bijgewerkt: