Datumsausreißer finden

Überblick

Der Find Date Outliers-Rechner identifiziert Datums- und Zeitstempelwerte in Ihrem Ereignisprotokoll, die weit außerhalb des typischen Bereichs für dieses Attribut liegen, und hilft Ihnen dabei, Qualitätsprobleme in den Daten zu erkennen, bevor sie Ihre Prozessanalyse beeinträchtigen. Der Rechner untersucht jedes Datums- und Zeitstempelattribut in Ihrem Ereignisprotokoll und markiert einzelne Fälle oder Ereignisse, deren Datumswert im Vergleich zum Rest der Daten im gleichen Feld ungewöhnlich früh oder ungewöhnlich spät ist.

Im Gegensatz zur manuellen Datenprüfung überprüft dieser Rechner systematisch jedes Datumsfeld in Ihren Prozessdaten, um potenzielle Probleme hervorzuheben, die Ihre Process-Mining-Analyse verzerren könnten, wie z. B. falsche Aktivitätszeitstempel, fehlerhafte Datenimporte oder Standard-Platzhalterwerte, die nie aktualisiert wurden.

Häufige Anwendungsfälle

  • Validierung der Datenqualität nach dem Import von Ereignisprotokollen aus Altsystemen oder neuen Datenquellen
  • Erkennung von Platzhalterdaten oder Standardwerten, die auf unvollständige Dateneingaben hinweisen
  • Identifikation von Fehlern der Systemuhr oder Problemen bei der Zeitzonenumwandlung, die unmögliche Zeitstempel erzeugen
  • Auffinden von Testdaten-Daten, die versehentlich in Produktionsereignisprotokolle gelangt sind
  • Überprüfung, ob Zeitstempelwerte innerhalb der erwarteten Geschäftszeiten liegen
  • Schnelle Einschätzung der allgemeinen Qualität der Datumsfelder über alle Attribute vor der detaillierten Analyse

Einstellungen

Für diesen Rechner sind keine Konfigurationseinstellungen erforderlich. Er untersucht automatisch alle Datums- und Zeitstempelattribute in Ihrem Ereignisprotokoll und markiert Werte, die weit außerhalb des typischen Bereichs für jedes Attribut liegen.

Standardfelder:

  • Titel: Optionaler benutzerdefinierter Titel für die Ausgabe des Rechners
  • Beschreibung: Optionale Beschreibung zu Dokumentationszwecken

Wie Ausreißer identifiziert werden:

Für jedes Datum- oder Zeitstempelattribut berechnet der Rechner obere und untere Grenzwerte aus den tatsächlichen Daten dieses Attributs und markiert dann Werte, die außerhalb dieser Grenzen liegen. Die Grenzen werden mit einer statistischen Methode (Interquartilsabstand) berechnet, sodass das, was als "Ausreißer" zählt, relativ zum Rest Ihrer Daten ist – es gibt keine fest vorgegebenen Jahresgrenzen. Ein Attribut, dessen Werte die Jahre 2018-2024 umfassen, hat andere Grenzen als eines, dessen Werte die Jahre 2010-2020 abdecken.

Hinweise:

  • Null-Werte werden übersprungen. Fehlende Daten werden von diesem Rechner nicht als Ausreißer markiert. (Verwenden Sie andere Datenqualitätswerkzeuge zur Nachverfolgung fehlender Werte.)
  • Es werden nur Datums- und Zeitstempelattribute untersucht. Textfelder, die zufällig Daten enthalten, werden nicht verarbeitet.
  • Attribute mit zu geringer Variation liefern keine Ausreißer. Wenn alle Werte eines Attributs eng beieinander liegen, gibt es keinen sinnvollen Bereich "außerhalb des typischen Bereichs", der erkannt werden könnte.

Beispiele

Beispiel 1: Validierung der Migration eines Altsystems

Szenario: Ihre Organisation hat kürzlich die Rechnungsverarbeitungsdaten von einem 20 Jahre alten Altsystem-ERP-System auf eine moderne Plattform migriert. Vor der Durchführung der Process-Mining-Analyse möchten Sie sicherstellen, dass alle Datumsfelder plausibel aussehen – insbesondere möchten Sie Platzhalterdaten (wie 1900-01-01) erkennen, die möglicherweise nicht konvertiert wurden.

Einstellungen:

  • Titel: "Validierung der Rechnungsdatenmigration"
  • Beschreibung: "Überprüfung auf Datumskonvertierungsprobleme aus dem Altsystem"

Was Sie sehen würden:

Der Rechner liefert eine Liste von Ausreißerzeilen. Da das Altsystem 1900-01-01 als Standard-„leeren“ Wert verwendete, heben sich diese Zeilen nun deutlich unterhalb des typischen Rechnungsdatumbereichs ab und erscheinen in der Tabelle Case Outliers. Eine Handvoll Testdatensätze mit dem Datum 2099-12-31 erscheinen deutlich oberhalb des typischen Bereichs.

Erkenntnisse:

Die Ausgabe zeigt, dass eine beträchtliche Anzahl von Rechnungen das Altsystem-Platzhalterdatum anstelle eines echten Datums verwendet. Eine kleine Anzahl von Datensätzen mit weit in der Zukunft liegenden Daten deutet auf Testdaten hin, die vor der Migration nicht bereinigt wurden. Bevor Sie die Prozessanalyse durchführen, sollten Sie mit dem Daten-Team zusammenarbeiten um:

  1. Die Datensätze mit Platzhalterdaten zu korrigieren oder zu entfernen
  2. Die Testdatensätze mit weit in der Zukunft liegenden Daten herauszufiltern

Diese Validierung schützt Sie davor, falsche Schlüsse über die Rechnungsverarbeitungszeiten auf Basis beschädigter Datumsdaten zu ziehen.

Beispiel 2: Erkennung von Systemuhr-Problemen

Szenario: Benutzer haben berichtet, dass einige Zeitstempel in Ihrem Auftragsabwicklungsprozess „keinen Sinn ergeben“, da Aktivitäten scheinbar in falscher Reihenfolge stattfinden. Sie vermuten, dass es Probleme mit der Synchronisation der Serveruhr oder der Zeitzonenumrechnung gibt, die die Ereigniszeitstempel beeinflussen.

Einstellungen:

  • Titel: "Validierung der Zeitstempel im Auftragsabwicklungsprozess"
  • Beschreibung: "Erkennung von Uhrensynchronisations- oder Zeitzonenproblemen"

Was Sie sehen würden:

Die Tabelle Event Outliers listet jedes Ereignis, dessen Aktivitätszeitstempel weit außerhalb des restlichen Datensatzes liegt – beispielsweise eine Gruppe von Ereignissen, die 20 Jahre in der Zukunft liegen. Jede Zeile identifiziert den Fall, die Aktivität und den verdächtigen Zeitstempel, sodass Sie die betroffenen Workflow-Schritte zurückverfolgen können.

Erkenntnisse:

Wenn Dutzende oder Hunderte von Ereignissen alle Zeitstempel tragen, die in der Zukunft liegen, aber mit einem einheitlichen Versatz, ist dies ein klassisches Zeichen für einen Systemuhrfehler oder einen Zeitzonen-Umrechnungsfehler im vorgelagerten System. Die Untersuchung führt typischerweise zurück zu einem einzelnen Server, dessen Uhr während eines Wartungsfensters verstellt wurde. Die Detailansicht der Ausreißerzeilen ermöglicht es Ihnen, genau zu identifizieren, welche Workflow-Schritte ihre Zeitstempel korrigiert bekommen müssen, bevor Sie die Process-Mining-Analyse für diesen Zeitraum durchführen.

Beispiel 3: Datenqualitätsprüfung vor der Analyse

Szenario: Sie stehen kurz davor, eine umfassende Process-Mining-Analyse Ihres Purchase-to-Pay-Prozesses über drei Jahre durchzuführen. Als bewährte Praxis führen Sie zuerst den Find Date Outliers-Rechner aus.

Einstellungen:

  • Titel: "Qualitätsprüfung der Purchase-to-Pay-Daten"
  • Beschreibung: "Validierungsprüfung vor der Analyse"

Was Sie sehen würden:

Der Rechner untersucht jedes Datumsattribut im Log und liefert keine Ausreißerzeilen – sowohl die Tabellen Case Outliers als auch Event Outliers sind leer.

Erkenntnisse:

Dies ist das bestmögliche Ergebnis – ein grünes Licht für Ihre Datumsdaten. Jedes Datumsattribut im Datensatz ist eng gruppiert und weist keine bedeutenden Ausreißer auf. Sie können mit der Process-Mining-Analyse fortfahren, in dem Wissen, dass Zeitstempel Ihre zeitbasierten Kennzahlen oder Prozesskartenreihenfolgen nicht verzerren.

Ausgabe

Der Rechner erzeugt zwei Datentabellen. Jede Zeile steht für einen einzelnen Ausreißer (ein spezifischer Fall oder ein spezifisches Ereignis), nicht für eine Zusammenfassung pro Attribut.

Case Outliers – eine Zeile pro auf Ausreißer gesetztem Wert auf Fall-Ebene:

  • Case Id (Text): Der Fall, der den Ausreißerwert enthält
  • Attribute Name (Text): Das Fallattribut, dessen Wert markiert wurde
  • Date Value (DateTime): Der tatsächlich gefundene Ausreißerwert in diesem Fallattribut

Event Outliers – eine Zeile pro auf Ausreißer gesetztem Wert auf Ereignisebene:

  • Case Id (Text): Der Fall, zu dem das Ereignis gehört
  • Activity Name (Text): Die Aktivität des Ereignisses
  • Activity Time (DateTime): Wann das Ereignis stattgefunden hat
  • Attribute Name (Text): Das Ereignisattribut, dessen Wert markiert wurde
  • Date Value (DateTime): Der tatsächliche Ausreißerwert

Wenn Sie Ausreißer pro Attribut zählen möchten (z. B. „Wie viele Rechnungen haben ein Platzhalterdatum?“), drehen Sie die relevante Tabelle in Ihrem Dashboard nach Attribute Name.

Beste Praktiken:

  • Führen Sie diesen Rechner als ersten Schritt bei jedem neuen Process-Mining-Projekt aus
  • Führen Sie ihn nach jedem Datenimport oder jeder Systemmigration erneut aus
  • Beheben Sie Ausreißer, bevor Sie Prozesskarten erstellen oder Leistungskennzahlen berechnen
  • Verwenden Sie den Rechner regelmäßig für laufende Datenströme, um Qualitätsverschlechterungen frühzeitig zu erkennen

Hinweis: Der Rechner untersucht nur Attribute, deren Datentyp bereits Datum oder Zeitstempel ist. Textfelder, die zufällig wie Daten aussehen, werden nicht geparst oder analysiert – wenn Sie diese prüfen lassen möchten, konvertieren Sie sie zuerst in ein Datumsattribut.

Diese Dokumentation ist Teil der mindzieStudio Process-Mining-Plattform.