Python-Skript

Der Aktionsschritt Python-Skript ermöglicht es Ihnen, benutzerdefinierten Python-Code mit Zugriff auf Ihre Process Mining-Daten auszuführen. Dies bietet maximale Flexibilität für die Datenverarbeitung, benutzerdefinierte Integrationen und spezialisierte Verarbeitung.

Übersicht

Wenn Sie einen Aktionsschritt Python-Skript konfigurieren, führt das System folgende Schritte aus:

Es sammelt Daten aus allen von Ihnen ausgewählten Analysen
Macht diese Daten Ihrem Python-Code verfügbar
Führt Ihr Skript in einer sicheren Umgebung aus
Ermöglicht es Ihnen, Daten zu verarbeiten, zu transformieren oder überallhin zu senden

Dies ist der leistungsstärkste und flexibelste Aktionsschritt, der für fortgeschrittene Benutzer geeignet ist, die benutzerdefinierte Funktionen benötigen, die über die eingebauten Optionen hinausgehen.

Wann Python-Skript verwenden

Verwenden Sie Python-Skript, wenn Sie:

Daten an benutzerdefinierte APIs oder Webhooks senden möchten
Daten vor dem Export in andere Systeme transformieren wollen
Eine Integration mit Datenbanken oder Data Warehouses benötigen
Benutzerdefinierte Dateiformate oder Berichte erstellen wollen
Berechnungen durchführen müssen, die in den Standardfunktionen von mindzieStudio nicht verfügbar sind
Eine Integration mit Drittanbieterdiensten (Slack, Teams, Salesforce etc.) umsetzen möchten

Voraussetzungen

Vor der Nutzung von Python-Skript:

Grundlegende Kenntnisse in Python-Programmierung sind erforderlich
Wählen Sie die Analysedaten im Datenschritt des Aktions-Assistenten aus
Verstehen Sie die verfügbaren Datenstrukturen aus Ihren Analysen

Konfiguration

Um ein Python-Skript zu Ihrer Aktion hinzuzufügen, klicken Sie im Bereich Aktion Schritte auf die +-Schaltfläche und wählen Sie Python Script.

Skript-Editor

Der Dialog Python-Skript stellt einen Code-Editor bereit, in dem Sie Ihren Python-Code schreiben. Das Skript hat Zugriff auf:

Alle Daten aus Ihren ausgewählten Analysen
Standard-Python-Bibliotheken
Häufige Datenverarbeitungsbibliotheken (pandas, requests usw.)

Verfügbare Daten

Ihr Skript erhält die ausgewählten Analysedaten in strukturierten Formaten. Sie können auf Folgendes zugreifen:

Rohdaten des Event Logs
Berechnete Metriken und Statistiken
Analyseergebnisse und Tabellen
Visualisierungsdaten

Beispielskripte

Daten an Webhook senden

import requests
import json

# Zugriff auf die Analysedaten
data = get_analysis_data()

# Senden an einen Webhook
response = requests.post(
    'https://your-webhook-url.com/endpoint',
    json=data,
    headers={'Content-Type': 'application/json'}
)

if response.status_code == 200:
    print("Daten erfolgreich gesendet")
else:
    print(f"Fehler: {response.status_code}")

Export in Datenbank

import pandas as pd
from sqlalchemy import create_engine

# Analysedaten als DataFrame holen
df = get_analysis_dataframe()

# Verbindung zur Datenbank
engine = create_engine('postgresql://user:pass@host:5432/database')

# Daten in Tabelle schreiben
df.to_sql('process_metrics', engine, if_exists='replace', index=False)

print(f"{len(df)} Zeilen in die Datenbank exportiert")

Slack-Benachrichtigung senden

import requests

# Wichtige Kennzahlen holen
metrics = get_analysis_data()
avg_duration = metrics['average_duration']
case_count = metrics['case_count']

# Nachricht an Slack senden
slack_message = {
    "text": f"Tägliche Prozessübersicht: {case_count} Fälle verarbeitet, Durchschnittsdauer: {avg_duration}"
}

requests.post(
    'https://hooks.slack.com/services/YOUR/WEBHOOK/URL',
    json=slack_message
)

Benutzerdefinierter CSV-Export

import pandas as pd
from datetime import datetime

# Daten holen
df = get_analysis_dataframe()

# Daten transformieren
df['export_date'] = datetime.now().strftime('%Y-%m-%d')
df['source'] = 'mindzieStudio'

# An benutzerdefinierten Ort speichern
filename = f"process_export_{datetime.now().strftime('%Y%m%d')}.csv"
df.to_csv(f'/exports/{filename}', index=False)

print(f"Exportiert nach {filename}")

Best Practices

Skripte zunächst manuell testen: Entwickeln und testen Sie Ihren Python-Code, bevor Sie ihn in einer Aktion einplanen. Verwenden Sie Python-Notebooks zur Logikprüfung.
Fehler sorgfältig behandeln: Verwenden Sie try/except-Blöcke, um Fehler zu erfassen und zu protokollieren. Fehlgeschlagene Skripte sollten hilfreiche Fehlermeldungen liefern.
Wichtige Schritte protokollieren: Nutzen Sie print-Anweisungen, um den Ablauf zu verfolgen. Diese erscheinen im Aktionsverlauf.
Zugangsdaten sicher aufbewahren: Hardcodieren Sie keine Passwörter oder API-Schlüssel im Skript. Verwenden Sie Umgebungsvariablen oder sichere Speicherorte.
Ausführungszeit berücksichtigen: Aktionen haben Timeout-Limits. Optimieren Sie Skripte hinsichtlich Effizienz, besonders bei großen Datenmengen.
Daten vor der Verarbeitung validieren: Stellen Sie sicher, dass erwartete Daten vorhanden sind, bevor Sie diese verwenden. Fehlende Daten sollten sauber behandelt werden.

Häufige Muster

Fehlerbehandlung

try:
    data = get_analysis_data()
    process_data(data)
    print("Erfolg")
except Exception as e:
    print(f"Fehler: {str(e)}")
    # Optional Benachrichtigung senden
    send_error_notification(str(e))

Datenvalidierung

data = get_analysis_data()

if not data or len(data) == 0:
    print("Keine Daten verfügbar - Export wird übersprungen")
    exit()

if 'required_column' not in data.columns:
    print("Erforderliche Spalte fehlt")
    exit()

# Weiter mit Verarbeitung

Bedingte Verarbeitung

data = get_analysis_data()

# Nur Alarm senden, wenn Schwellenwert überschritten ist
if data['average_duration'] > 24:  # Stunden
    send_alert("Prozessdauer überschreitet 24 Stunden!")
else:
    print("Dauer im akzeptablen Bereich")

Fehlerbehebung

Skript wird nicht ausgeführt

Prüfen Sie den Aktionsverlauf auf Fehlermeldungen
Stellen Sie sicher, dass die Aktion aktiviert und geplant ist
Überprüfen Sie Python-Syntax auf Fehler

Daten nicht verfügbar

Vergewissern Sie sich, dass die Analysen im Datenschritt ausgewählt sind
Prüfen Sie, ob die Analysen ausgeführt wurden und Daten enthalten
Überprüfen Sie die Datenzugriffsmethoden im Skript

Skript-Timeout

Optimieren Sie den Code hinsichtlich Performance
Verarbeiten Sie Daten in kleineren Chargen
Erwägen Sie, aufwändige Verarbeitung an externe Systeme auszulagern

Fehler bei externen Diensten

Prüfen Sie API-Endpunkte und Zugangsdaten
Überprüfen Sie die Netzwerkverbindung aus der Ausführungsumgebung
Fügen Sie Wiederholungslogik für temporäre Ausfälle hinzu

Importfehler

Vergewissern Sie sich, dass erforderliche Bibliotheken verfügbar sind
Kontaktieren Sie den Support, wenn Sie zusätzliche Python-Pakete benötigen

Einschränkungen

Skripte werden in einer Sandbox-Umgebung ausgeführt
Einige systemnahe Operationen sind eingeschränkt
Externer Netzwerkzugriff kann durch Sicherheitseinstellungen limitiert sein
Die Ausführungszeit ist begrenzt, um außer Kontrolle geratene Skripte zu verhindern

Support

Wenn Sie Probleme mit Python-Skripten haben:

E-Mail: support@mindzie.com
Fügen Sie Ihren Skriptcode bei (ohne sensible Daten)
Geben Sie Fehlermeldungen aus dem Aktionsverlauf an
Beschreiben Sie das erwartete und das tatsächliche Verhalten