Aktivitätsreihenfolge-Klassifikation

Überblick

Die Aktivitätsreihenfolge-Klassifikation-Anreicherung analysiert automatisch die Zeitstempel in Ihrem Ereignisprotokoll, um Fälle zu identifizieren, bei denen die Reihenfolge der Aktivitäten aufgrund von Zeitstempelbeschränkungen nicht mit Sicherheit bestimmt werden kann. Diese Datenqualitätsanreicherung ist für die Genauigkeit des Process Minings unerlässlich, da unsichere Aktivitätsreihenfolgen zu falschen Prozessmodellen, irreführenden Leistungskennzahlen und unzuverlässigen Konformitätsprüfungen führen können.

Viele Quellsysteme erfassen nur Daten ohne Zeitkomponenten, oder mehrere Aktivitäten teilen sich aufgrund von Massenimports, Batch-Verarbeitung oder begrenzter Zeitstempelgranularität denselben exakten Zeitstempel. Wenn Ereignisse innerhalb eines Falls identische Zeitstempel haben (entweder dasselbe Datum oder dieselbe Datumszeit), wird die tatsächliche Reihenfolge dieser Aktivitäten mehrdeutig. Diese Anreicherung erkennt und kategorisiert diese Unsicherheitsmuster automatisch und erstellt Attribute, die es Ihnen ermöglichen, die Zuverlässigkeit Ihrer Prozessentdeckungsergebnisse zu bewerten und Fälle zu identifizieren, bei denen Annahmen über die Reihenfolge möglicherweise falsch sind.

Die Anreicherung erfordert keine Konfiguration und führt eine umfassende Zeitstempelanalyse sowohl auf Datums- als auch auf Zeit-Ebene durch und kategorisiert Unsicherheitsmuster als "SameDay" (Datum erfasst, aber keine Zeitkomponente), "SameTime" (identische Datumszeitwerte) oder "SameDayAndTime" (Fall enthält beide Muster). Dies ermöglicht es Ihnen, den Umfang und die Art der Zeitstempelunsicherheit in Ihrem Ereignisprotokoll zu verstehen und fundierte Entscheidungen über Datenqualitätsanforderungen und Prozessanalysezuverlässigkeit zu treffen.

Häufige Anwendungsfälle

Bewertung der Datenqualität vor der Durchführung von Prozessentdeckung oder Konformitätsprüfung
Identifikation von Fällen, bei denen Aktivitätssequenzen aufgrund von Zeitstempelbeschränkungen mehrdeutig sind
Erkennung von massenhaft geladenen oder im Batch verarbeiteten Ereignissen, die identische Zeitstempel teilen
Bewertung, ob die Zeitstempelgranularität des Quellsystems für die Prozessanalyse ausreichend ist
Markierung von Fällen, bei denen manuelle Annahmen zur Reihenfolge für eine genaue Analyse erforderlich sein könnten
Messung der Häufigkeit von Zeitstempelunsicherheit im gesamten Ereignisprotokoll
Herausfiltern von minderwertigen Fällen, bei denen unsichere Reihenfolgen Analyseergebnisse kompromittieren würden

Einstellungen

Diese Anreicherung erfordert keine Konfiguration. Sie analysiert automatisch alle Zeitstempel in Ihrem Ereignisprotokoll und erstellt umfassende Attribute, die Unsicherheitsmuster von Zeitstempeln sowohl auf Ereignisebene als auch auf Fällebene kategorisieren. Fügen Sie diese Anreicherung einfach zu Ihrem Workflow hinzu, um mit der Analyse der Zeitstempelfqualität zu beginnen.

Beispiele

Beispiel 1: Analyse der Patientenreise im Gesundheitswesen

Szenario: Ein Krankenhaus analysiert den Patientenfluss durch die Notaufnahme, stellt jedoch fest, dass viele Aktivitäten am selben Tag keine erfasste Zeitkomponente haben, was es unmöglich macht, die tatsächliche Reihenfolge von Behandlungen und Untersuchungen zu bestimmen.

Einstellungen: Keine Konfiguration erforderlich – die Anreicherung erkennt automatisch Zeitstempelunsicherheiten.

Ausgabe: Die Anreicherung erzeugt folgende Attribute:

Ereignisebene:

OrderUncertainty: TRUE für Ereignisse, deren Reihenfolge nicht mit Sicherheit bestimmt werden kann
OrderUncertaintyCategory: "SameDay" für Ereignisse, die ein Datum mit anderen Ereignissen teilen, aber keine Zeitkomponente haben

Fällebene:

UncertainEventOrder: TRUE (dieser Fall hat eine unsichere Reihenfolge)
UncertainEventOrderCount: 8 (acht Ereignisse in diesem Fall haben unsichere Reihenfolge)
UncertainEventOrderCategory: "SameDay"

Für einen Patientenfall mit Ereignissen aufgezeichnet als:

2024-03-15 00:00:00 - Patientenregistrierung
2024-03-15 00:00:00 - Triage-Bewertung
2024-03-15 00:00:00 - Vitalfunktionskontrolle
2024-03-15 00:00:00 - Arztkonsultation
2024-03-15 14:30:00 - Labordaten erhalten
2024-03-15 14:30:00 - Behandlungsentscheidung
2024-03-15 14:30:00 - Medikament verabreicht
2024-03-15 18:00:00 - Patient entlassen

Die ersten vier Ereignisse (alle um 00:00:00) werden als "SameDay"-Unsicherheit markiert, da sie ein Datum teilen, aber die Zeitkomponente fehlt. Die drei Ereignisse um 14:30:00 werden als "SameTime"-Unsicherheit markiert, weil sie dieselbe Datumszeit teilen. Dieser Fall wird als "SameDayAndTime" kategorisiert, da beide Muster auftreten.

Erkenntnisse: Das Krankenhaus stellt fest, dass 67 % der Notaufnahmefälle eine unsichere Ereignisreihenfolge aufgrund fehlender Zeitkomponenten in ihrem Registrierungssystem haben. Dies zeigt ein kritisches Datenqualitätsproblem auf, das behoben werden muss, bevor eine genaue Prozessentdeckung durchgeführt wird. Sie können nun Fälle filtern, um nur solche mit vollständigen Zeitstempeln zu analysieren oder mit der IT zusammenarbeiten, um die Zeitstempelgranularität in den Quellsystemen zu verbessern.

Beispiel 2: Verarbeitung von Finanztransaktionen

Szenario: Eine Bank analysiert Freigabeprozesse für Kreditkartentransaktionen, stellt jedoch fest, dass im Batch verarbeitete Transaktionen häufig identische Zeitstempel aufweisen, was es unmöglich macht, die tatsächliche Reihenfolge von Betrugsprüfungen, Autorisierungsschritten und Genehmigungen zu bestimmen.

Einstellungen: Keine Konfiguration erforderlich.

Ausgabe: Für einen in einem Batchsystem verarbeiteten Transaktionsfall:

2024-10-15 02:15:33 - Transaktion erhalten
2024-10-15 02:15:33 - Betrugsrisiko-Bewertung
2024-10-15 02:15:33 - Kreditlimitprüfung
2024-10-15 02:15:33 - Händlerüberprüfung
2024-10-15 02:15:33 - Transaktion genehmigt
2024-10-15 02:15:34 - Bestätigung gesendet

Ereignisattribute:

Erste fünf Ereignisse: OrderUncertainty = TRUE, OrderUncertaintyCategory = "SameTime"
Letztes Ereignis: OrderUncertainty = FALSE

Fallattribute:

UncertainEventOrder: TRUE
UncertainEventOrderCount: 5
UncertainEventOrderCategory: "SameTime"

Erkenntnisse: Die Bank stellt fest, dass alle im Batch verarbeiteten Transaktionen (ca. 40 % ihres täglichen Volumens) eine unsichere Reihenfolge für kritische Betrugs- und Kreditprüfungen aufweisen. Dies veranlasst sie, zu prüfen, ob ihr Batch-Verarbeitungssystem eine interne Sequenznummer führt, die zur Bestimmung der tatsächlichen Reihenfolge genutzt werden kann, oder ob die Zeitstempelpräzision im Transaktionsprotokollierungssystem verbessert werden muss.

Beispiel 3: Analyse der Fertigungslinie

Szenario: Ein Fertigungsunternehmen analysiert Produktionsabläufe und stellt fest, dass Qualitätskontrollpunkte mit nur Datum-Zeitstempeln erfasst werden, während Maschinenoperationen präzise Zeitstempel erhalten, was gemischte Unsicherheitsmuster erzeugt.

Einstellungen: Keine Konfiguration erforderlich.

Ausgabe: Für einen Produktionsfall:

2024-10-20 08:15:22 - Rohmaterial geladen
2024-10-20 08:18:45 - Bearbeitung gestartet
2024-10-20 00:00:00 - Sichtprüfung
2024-10-20 08:45:12 - Bearbeitung abgeschlossen
2024-10-20 00:00:00 - Maßprüfung
2024-10-20 00:00:00 - Qualitätsfreigabe
2024-10-20 09:10:30 - Verpackung gestartet

Ereignisattribute:

Sichtprüfung, Maßprüfung, Qualitätsfreigabe: OrderUncertainty = TRUE, OrderUncertaintyCategory = "SameDay"
Andere Ereignisse: OrderUncertainty = FALSE

Fallattribute:

UncertainEventOrder: TRUE
UncertainEventOrderCount: 3
UncertainEventOrderCategory: "SameDay"

Erkenntnisse: Das Unternehmen stellt fest, dass ihr manuelles Qualitätssicherungssystem nur Daten aufzeichnet, während automatisierte Maschinenoperationen präzise Zeitstempel erfassen. Diese gemischte Präzision macht es unmöglich zu bestimmen, ob Qualitätsprüfungen in der dokumentierten Reihenfolge durchgeführt wurden oder ob Maßprüfungen manchmal vor Sichtprüfungen stattfanden. Sie können nun priorisieren, ihr Qualitätssicherungsprotokollsystem zu verbessern oder ihre Prozessanalyse anzupassen, um diese Unsicherheit zu berücksichtigen.

Beispiel 4: E-Commerce-Auftragsabwicklung

Szenario: Ein Online-Händler analysiert Auftragsverarbeitungsabläufe, stellt jedoch fest, dass Ereignisse des Lagerverwaltungssystems häufig identische Zeitstempel haben, da schnelle Scanvorgänge die eine-Sekunde-Zeitstempelpräzision des Systems überschreiten.

Einstellungen: Keine Konfiguration erforderlich.

Ausgabe: Für eine Bestellung mit schneller Abwicklung:

2024-10-21 10:23:45 - Auftrag eingegangen
2024-10-21 10:24:18 - Lagerbestand zugewiesen
2024-10-21 10:24:18 - Kommissionierliste erstellt
2024-10-21 10:24:18 - Artikel gepickt
2024-10-21 10:24:18 - Qualität geprüft
2024-10-21 10:24:18 - Verpackung abgeschlossen
2024-10-21 10:25:03 - Versandetikett erstellt

Ereignisattribute:

Fünf Ereignisse um 10:24:18: OrderUncertainty = TRUE, OrderUncertaintyCategory = "SameTime"

Fallattribute:

UncertainEventOrder: TRUE
UncertainEventOrderCount: 5
UncertainEventOrderCategory: "SameTime"

Erkenntnisse: Der Händler stellt fest, dass ihre Lagerabläufe so effizient sind, dass mehrere Schritte innerhalb des gleichen ein-Sekunden-Fensters stattfinden, die Systemzeitstempelpräzision jedoch nicht ausreicht, um die tatsächliche Reihenfolge zu erfassen. Sie finden heraus, dass 25% der Bestellungen eine unsichere Reihenfolge bei Lageraktivitäten aufweist. Dies veranlasst sie, über eine Unter-Sekunden-Zeitstempelpräzision im Lagerverwaltungssystem oder die Implementierung von Sequenznummern für Ereignisse innerhalb derselben Sekunde nachzudenken.

Beispiel 5: IT-Service-Desk-Ticketauflösung

Szenario: Eine IT-Abteilung analysiert den Auflösungsprozess von Support-Tickets, stellt jedoch fest, dass Massenstatusaktualisierungen und automatisierte Systemaktionen häufig gemeinsame Zeitstempel haben, was Unsicherheit über die tatsächliche Reihenfolge der Fehlerbehebungsschritte erzeugt.

Einstellungen: Keine Konfiguration erforderlich.

Ausgabe: Für einen Support-Ticket-Fall:

2024-10-18 09:15:00 - Ticket erstellt
2024-10-18 09:15:00 - Automatisch an Team zugewiesen
2024-10-18 09:15:00 - Priorität gesetzt
2024-10-18 09:15:00 - SLA-Timer gestartet
2024-10-18 10:30:22 - Techniker zugewiesen
2024-10-18 00:00:00 - Erste Untersuchung
2024-10-18 00:00:00 - Fehlerursache identifiziert
2024-10-18 00:00:00 - Lösung angewendet
2024-10-18 14:45:10 - Ticket geschlossen

Ereignisattribute:

Erste vier Ereignisse: OrderUncertainty = TRUE, OrderUncertaintyCategory = "SameTime"
Mittlere drei Ereignisse: OrderUncertainty = TRUE, OrderUncertaintyCategory = "SameDay"

Fallattribute:

UncertainEventOrder: TRUE
UncertainEventOrderCount: 7
UncertainEventOrderCategory: "SameDayAndTime"

Erkenntnisse: Die IT-Abteilung stellt fest, dass automatisierte Ticket-Erstellungsschritte alle denselben Zeitstempel teilen, und manuelle Untersuchungsaktivitäten mit nur Datumspräzision protokolliert werden. Dieses gemischte Unsicherheitsmuster betrifft 55 % der Tickets und zeigt, dass ihre Process-Mining-Ergebnisse falsche Aktivitätssequenzen darstellen könnten. Sie können nun mit dem Anbieter ihres IT-Service-Management-Systems zusammenarbeiten, um die Zeitstempelgranularität zu verbessern und zuverlässigere Prozessentdeckungsergebnisse zu erzielen.

Ausgabe

Die Aktivitätsreihenfolge-Klassifikation-Anreicherung erstellt umfassende Attribute sowohl auf Ereignisebene als auch auf Fällebene, die eine detaillierte Analyse der Zeitstempelunsicherheit in Ihren Prozessdaten ermöglichen.

Ereignisebenen-Attribute:

OrderUncertainty (Boolean): Gibt an, ob dieses spezifische Ereignis eine unsichere Reihenfolge im Vergleich zu anderen Ereignissen desselben Falls hat. Wird auf TRUE gesetzt, wenn das Ereignis mit mindestens einem anderen Ereignis im Fall einen identischen Zeitstempel (entweder nur Datum oder vollständige Datumszeit) teilt, wodurch die Reihenfolge unklar wird. Wird auf FALSE gesetzt, wenn das Ereignis einen eindeutigen Zeitstempel innerhalb des Falls besitzt.

OrderUncertaintyCategory (Text): Kategorisiert den Typ der Zeitstempelunsicherheit für dieses Ereignis:

"SameDay": Das Ereignis teilt ein Datum mit anderen Ereignissen, hat jedoch keine Zeitkomponente (Zeitstempel endet mit 00:00:00), was auf eine Datum-Only-Präzision im Quellsystem hinweist
"SameTime": Das Ereignis hat eine identische Datumszeit (einschließlich Zeitkomponente) mit anderen Ereignissen, was entweder auf gleichzeitige Ausführung oder unzureichende Zeitstempelgranularität hinweist
"SameDayAndTime": Das Ereignis zeigt beide Muster (zunächst als SameDay markiert und dann auch als SameTime erkannt)

Fällebenen-Attribute:

UncertainEventOrder (Boolean): Gibt an, ob dieser Fall Ereignisse mit unsicherer Reihenfolge enthält. Wird auf TRUE gesetzt, wenn mindestens ein Ereignis im Fall aufgrund von Zeitstempel-Duplikation mehrdeutig ist. Wird nur dann auf FALSE gesetzt, wenn alle Ereignisse im Fall eindeutige Zeitstempel haben und die Reihenfolge mit Sicherheit bestimmt werden kann.

UncertainEventOrderCount (Integer): Die Gesamtanzahl der Ereignisse in diesem Fall, die eine unsichere Reihenfolge haben. Diese Zahl hilft, das Ausmaß der Zeitstempelunsicherheit zu bewerten – ein Fall mit zwei unsicheren Ereignissen ist weniger problematisch als einer mit Dutzenden von Ereignissen, die denselben Zeitstempel teilen.

UncertainEventOrderCategory (Text): Fasst das Zeitstempelunsicherheitsmuster für den gesamten Fall zusammen:

"SameDay": Fall enthält nur Datumsebene-Unsicherheit (einige Ereignisse teilen sich Daten, haben aber keine Zeitkomponente)
"SameTime": Fall enthält nur Zeitebene-Unsicherheit (einige Ereignisse teilen identische Datumszeitwerte)
"SameDayAndTime": Fall enthält beide Unsicherheitsmuster

Details zum Datentyp:

Boolean-Attribute verwenden TRUE/FALSE-Werte und können in Filtern mit Bedingungen "equals TRUE" oder "equals FALSE" verwendet werden
Integer-Attribute können in Bereichsfiltern und Berechnungen verwendet werden, um die Häufigkeit der Unsicherheit zu messen
Text-Attribute können gruppiert und gefiltert werden, um verschiedene Unsicherheitsmuster getrennt zu analysieren

Verwendung in der Analyse: Diese Attribute ermöglichen es Ihnen, Ihren Datensatz so zu filtern, dass Fälle mit unsicherer Reihenfolge ausgeschlossen werden, Metriken zu erstellen, die den Prozentsatz betroffener Fälle durch Zeitstempelunsicherheit zeigen, Quellsysteme oder Prozesse mit der schlechtesten Zeitstempeldatenqualität zu identifizieren und Datenqualitätsverbesserungen basierend auf dem Einfluss auf Ihre Process-Mining-Ergebnisse zu priorisieren. Die Attribute integrieren sich nahtlos in Konformitätsprüfungen, Prozessentdeckung und Leistungsanalysefunktionen in mindzieStudio.

Siehe auch

Allowed Case End Activities – Konformitätsanreicherung, die eine zuverlässige Aktivitätsreihenfolge benötigt
Allowed Case Start Activities – Konformitätsanreicherung, die durch unsichere erste Ereigniszeitstempel beeinflusst wird
Duration Between Two Activities – Leistungsanreicherung, die unzuverlässige Ergebnisse bei unsicherer Aktivitätsreihenfolge produziert
Freeze Log Time – Datenbereinigungsanreicherung, die Zeitstempel normalisieren kann, um Konsistenz zu verbessern

Diese Dokumentation ist Teil der mindzie Studio Process Mining Plattform.