Gruppenattributwerte
Übersicht
Die Erweiterung Gruppenattributwerte ermöglicht es Ihnen, mehrere Werte eines bestehenden Attributs in Kategorien zusammenzufassen und so ein neues Attribut mit vereinfachten Werten zu erstellen. Dieses leistungsstarke Werkzeug zur Datenumwandlung hilft Ihnen, verwandte Attributwerte in aussagekräftige Geschäftskategorien zu konsolidieren, die Komplexität zu reduzieren und die Analyseübersicht zu verbessern. Anstatt mit Dutzenden oder Hunderten einzigartiger Werte zu arbeiten, können Sie logische Gruppierungen erstellen, die Ihrer geschäftlichen Perspektive entsprechen.
Diese Erweiterung ist besonders wertvoll, wenn man mit Attributen arbeitet, die viele unterschiedliche Werte aufweisen, die logisch zusammengefasst werden können. Beispielsweise könnten Sie Hunderte detaillierte Fehlercodes in Kategorien wie „Systemfehler“, „Benutzerfehler“ und „Netzwerkfehler“ gruppieren oder mehrere Zahlungsmethoden in „Digitale Zahlungen“ und „Traditionelle Zahlungen“ konsolidieren. Die Erweiterung verwendet Filterkriterien, um zu bestimmen, welche Fälle oder Ereignisse zu jeder Gruppe gehören sollen, und bietet so präzise Kontrolle über die Kategorisierungslogik.
Häufige Anwendungsfälle
- Vereinfachung komplexer Kategorisierungen: Gruppieren Sie Hunderte von Produkt-SKUs in Produktfamilien oder Kategorien für klarere Analysen
- Erstellung geschäftsrelevanter Segmente: Kombinieren Sie verschiedene Kundentypen in strategische Segmente wie „High Value“, „Regular“ und „New“
- Standardisierung regionaler Variationen: Gruppieren Sie ähnliche Aktivitäten oder Status, die je nach Standort variieren, in konsistente Kategorien
- Aufbau von Leistungsindikatoren: Erstellen Sie binäre Attribute, um Fälle zu kennzeichnen, die bestimmte Kriterien erfüllen (z. B. „Priority Customer“ = Wahr/Falsch)
- Konsolidierung von Fehlertypen: Gruppieren Sie detaillierte technische Fehlercodes in geschäftsverständliche Kategorien
- Unterstützung der Entscheidungsfindung: Erstellen Sie vereinfachte Attribute für Dashboards und Berichte, die Führungskräfte verstehen können
- Ermöglichung vergleichender Analysen: Gruppieren Sie Fälle in Kohorten für Vorher/Nachher-Vergleiche oder A/B-Test-Szenarien
Einstellungen
Filter: Definieren Sie die Kriterien, die bestimmen, welche Fälle oder Ereignisse zu dieser Gruppe gehören. Sie können jede Kombination der in mindzieStudio verfügbaren Filter verwenden, darunter Attributwerte, Aktivitätsvorhandensein, Datumsbereiche und komplexe logische Bedingungen. Der Filter fungiert als Auswahlmechanismus – alle Fälle oder Ereignisse, die dem Filter entsprechen, erhalten den Gruppenwert.
Name des neuen Attributs: Geben Sie den Namen für das neue Attribut an, das erstellt wird. Dieses Attribut enthält entweder die Gruppennamen (für Textgruppierung) oder Wahr/Falsch-Werte (für boolesche Gruppierung). Wählen Sie einen aussagekräftigen Namen, der den Zweck der Gruppierung klar angibt, wie z. B. „Customer Segment“, „Error Category“ oder „Priority Case“.
Boolesche Gruppe: Wenn aktiviert, wird ein Wahr/Falsch-Attribut erstellt, bei dem Fälle, die dem Filter entsprechen, „True“ erhalten und alle anderen „False“. Dies ist ideal für binäre Klassifikationen wie „High Priority“ (True/False) oder „Requires Review“ (True/False). Wenn deaktiviert, können Sie einen benutzerdefinierten Gruppennamen angeben, wodurch mit unterschiedlichen Erweiterungsinstanzen mehrere Gruppen erstellt werden können.
Gruppenname: (Nur verfügbar, wenn Boolesche Gruppe deaktiviert ist) Der Textwert, der Fällen oder Ereignissen zugewiesen wird, die die Filterkriterien erfüllen. Damit können Sie benannte Kategorien wie „Premium“, „Standard“ oder „Basic“ erstellen. Mehrere Erweiterungen können denselben Attributnamen mit unterschiedlichen Gruppennamen ansprechen, um Mehrfachkategorisierungen zu erstellen.
Event-Attribut erstellen: Wenn aktiviert, wird die Erweiterung ein Ereignis-Level-Attribut erstellen, das den Filter für jedes Ereignis einzeln auswertet. Wenn deaktiviert (Standard), wird ein Fall-Level-Attribut erstellt, das den Filter einmal pro Fall auswertet. Verwenden Sie Ereignisattribute, wenn die Gruppierungslogik von einzelnen Ereigniseigenschaften und nicht von den Eigenschaften des gesamten Falls abhängt.
Beispiele
Beispiel 1: Kundensegmentierung bei der Auftragsverarbeitung
Szenario: Ein E-Commerce-Unternehmen möchte Kunden auf Grundlage von Bestellhistorie und -wert in die Kategorien „VIP“, „Regular“ und „New“ segmentieren, um differenzierte Serviceebenen anzubieten.
Einstellungen:
- Filter: Fälle mit Attribut „Total Order Value“ > 10.000 USD UND „Order Count“ > 20
- Name des neuen Attributs: Customer Segment
- Boolesche Gruppe: Deaktiviert
- Gruppenname: VIP
- Event-Attribut erstellen: Deaktiviert
Ausgabe: Die Erweiterung erstellt ein Fallattribut „Customer Segment“. Fälle, die die VIP-Kriterien erfüllen, erhalten den Wert „VIP“. Führen Sie weitere Erweiterungen mit unterschiedlichen Filtern und Gruppennamen („Regular“ für mittlere Werte, „New“ für Neukunden) aus, die denselben Attributnamen verwenden, um die Segmentierung abzuschließen.
| Case ID | Total Order Value | Order Count | Customer Segment |
|---|---|---|---|
| C-001 | $15,000 | 25 | VIP |
| C-002 | $2,000 | 5 | Regular |
| C-003 | $500 | 1 | New |
Einblicke: Die Segmentierung ermöglicht eine gezielte Analyse der Prozessleistung nach Kundentier und zeigt, dass VIP-Kunden eine 50 % schnellere Auftragsabwicklung erfahren, jedoch komplexere Rückgabeprozesse haben, die eine spezialisierte Bearbeitung erfordern.
Beispiel 2: Klassifikation der Qualitätskontrolle in der Fertigung
Szenario: Ein Fertigungswerk muss Produktionschargen identifizieren, die aufgrund mehrerer Sensorwerte und Inspektionsergebnisse, die Schwellenwerte überschreiten, eine Qualitätsprüfung benötigen.
Einstellungen:
- Filter: Fälle mit Attribut „Temperature Variance“ > 5 ODER „Pressure Reading“ > 100 ODER „Visual Inspection“ = „Failed“
- Name des neuen Attributs: Requires Quality Review
- Boolesche Gruppe: Aktiviert
- Event-Attribut erstellen: Deaktiviert
Ausgabe: Erstellt ein boolesches Attribut „Requires Quality Review“ auf Fallebene:
| Batch ID | Temperature Variance | Pressure Reading | Visual Inspection | Requires Quality Review |
|---|---|---|---|---|
| B-1001 | 3 | 95 | Passed | False |
| B-1002 | 7 | 98 | Passed | True |
| B-1003 | 2 | 105 | Passed | True |
| B-1004 | 4 | 90 | Failed | True |
Einblicke: Die Analyse zeigt, dass 23 % der Chargen eine Qualitätsprüfung erfordern, wobei Temperaturabweichung der häufigste Auslöser ist. Diese Chargen haben aufgrund zusätzlicher Inspektionsschritte die dreifache Zykluszeit.
Beispiel 3: Risikokategorisierung von Patienten im Gesundheitswesen
Szenario: Ein Krankenhaus möchte Patienten in der Notaufnahme anhand von Symptomen und Vitalwerten in Risikostufen kategorisieren, um Triage und Ressourceneinsatz zu optimieren.
Einstellungen:
- Filter: Fälle mit Attribut „Heart Rate“ > 120 ODER „Systolic BP“ < 90 ODER „Oxygen Saturation“ < 92
- Name des neuen Attributs: Patient Risk Level
- Boolesche Gruppe: Deaktiviert
- Gruppenname: High Risk
- Event-Attribut erstellen: Deaktiviert
Ausgabe: Erstellt ein Attribut „Patient Risk Level“ mit „High Risk“ für passende Fälle. Weitere Erweiterungen definieren die Kategorien „Medium Risk“ und „Low Risk“:
| Patient ID | Heart Rate | Systolic BP | O2 Saturation | Patient Risk Level |
|---|---|---|---|---|
| P-501 | 125 | 110 | 95 | High Risk |
| P-502 | 75 | 120 | 98 | Low Risk |
| P-503 | 90 | 85 | 94 | High Risk |
Einblicke: Hochrisikopatienten werden sofort in die Intensivversorgung geleitet, was unerwünschte Ereignisse um 40 % reduziert. Process Mining zeigt, dass diese Patienten spezielle Fast-Track-Workflows mit durchschnittlichen Wartezeiten von unter 10 Minuten haben.
Beispiel 4: Indikatoren für Betrugsverdacht bei Finanztransaktionen
Szenario: Eine Bank möchte potenziell betrügerische Transaktionen auf Basis ungewöhnlicher Muster in Transaktionsattributen und Kundenverhalten auf Ereignisebene markieren.
Einstellungen:
- Filter: Ereignisse mit Attribut „Transaction Amount“ > 5.000 USD UND „Location Country“ != „Home Country“ UND „Time Since Last Transaction“ < 60 Sekunden
- Name des neuen Attributs: Potential Fraud Flag
- Boolesche Gruppe: Aktiviert
- Event-Attribut erstellen: Aktiviert
Ausgabe: Erstellt ein boolesches Ereignisattribut, das einzelne Transaktionen markiert:
| Transaction ID | Amount | Location | Time Gap | Potential Fraud Flag |
|---|---|---|---|---|
| T-8001 | $7,500 | Foreign | 45 sec | True |
| T-8002 | $200 | Home | 2 hours | False |
| T-8003 | $5,100 | Foreign | 30 sec | True |
Einblicke: Als potenzieller Betrug gekennzeichnete Transaktionen lösen sofortige Prüfworkflows aus. Die Analyse zeigt eine 85 % Genauigkeit bei der Erkennung tatsächlicher Betrugsfälle; markierte Transaktionen durchlaufen innerhalb von 2 Minuten zusätzliche Authentifizierungsschritte.
Beispiel 5: Prioritätsgruppen bei IT-Vorfällen
Szenario: Ein IT-Service-Desk möchte Dutzende von Unterkategorien für Vorfälle zu handhabbaren Prioritätsgruppen für Ressourcenverteilung und SLA-Verwaltung zusammenfassen.
Einstellungen:
- Filter: Fälle mit Attribut „Incident Type“ IN ["Server Down," "Database Corrupt," "Network Outage," "Security Breach"]
- Name des neuen Attributs: Incident Priority Group
- Boolesche Gruppe: Deaktiviert
- Gruppenname: Critical Infrastructure
- Event-Attribut erstellen: Deaktiviert
Ausgabe: Konsolidiert mehrere technische Vorfalltypen in geschäftsrelevante Gruppen:
| Incident ID | Incident Type | Original Priority | Incident Priority Group |
|---|---|---|---|
| I-901 | Server Down | P1 | Critical Infrastructure |
| I-902 | Password Reset | P3 | User Support |
| I-903 | Database Corrupt | P1 | Critical Infrastructure |
| I-904 | Software Install | P4 | User Support |
Einblicke: Vorfälle der Kritischen Infrastruktur machen 15 % des Volumens aus, beanspruchen jedoch 60 % der Zeit von Senior-Technikern. Diese Vorfälle folgen beschleunigten Workflows mit durchschnittlichen Lösungszeiten von 2 Stunden gegenüber 8 Stunden bei Standardproblemen.
Ausgabe
Die Erweiterung Gruppenattributwerte erstellt ein neues Attribut in Ihrem Datensatz mit den folgenden Eigenschaften:
Attributtyp: Die Erweiterung erstellt entweder ein Fallattribut (Standard) oder ein Ereignisattribut basierend auf der Einstellung „Create Event Attribute“. Fallattribute erscheinen einmal pro Fall und sind in fallbezogenen Analysen sichtbar, während Ereignisattribute innerhalb desselben Falls zwischen Ereignissen variieren können.
Datentyp: Boolean (wenn „Boolesche Gruppe“ aktiviert ist), dargestellt als Wahr/Falsch, oder String (bei Verwendung benutzerdefinierter Gruppennamen) mit den angegebenen Textwerten.
Wertzuweisung: Fälle oder Ereignisse, die den Filterkriterien entsprechen, erhalten entweder „True“ (für boolesche Gruppen) oder den angegebenen Gruppennamen (für Textgruppen). Nicht passende Einträge erhalten „False“ für boolesche Gruppen oder behalten ihren vorhandenen Wert/null für Textgruppen.
Mehrere Gruppen: Sie können mehrere Erweiterungen erstellen, die denselben Attributnamen mit unterschiedlichen Filtern und Gruppennamen ansprechen. So entstehen Mehrfachkategorisierungen, bei denen jeder Fall die passende Kategorie basierend auf dem Filter erhält, den er erfüllt. Wenn ein Fall mehrere Filter erfüllt, hat die zuletzt angewendete Erweiterung Vorrang.
Integration: Das neue gruppierte Attribut integriert sich nahtlos in alle mindzieStudio-Funktionen, einschließlich Filter, Rechner und Visualisierungen. Verwenden Sie diese vereinfachten Attribute in Prozesskarten, um Flussvariationen nach Gruppen zu zeigen, in Dashboards für vergleichende Kennzahlen oder als Filterkriterien in anderen Erweiterungen.
Diese Dokumentation ist Teil der mindzie Studio Process Mining Plattform.