Zeit bis zum vorherigen Fall in der Gruppe

Übersicht

Die Anreicherung "Zeit bis zum vorherigen Fall in der Gruppe" berechnet die verstrichene Zeit zwischen aufeinanderfolgenden Fällen innerhalb einer bestimmten Gruppe oder Kategorie. Durch die Gruppierung von Fällen basierend auf einem gemeinsamen Attribut (wie Patienten-ID, Ressourcenname, Maschinen-ID oder Abteilung) misst diese Anreicherung das Intervall vom Start eines Falls bis zum Start des nächsten Falls in derselben Gruppe. Diese leistungsstarke zeitliche Analysefunktion ermöglicht es Organisationen, Arbeitslastmuster zu verstehen, Engpässe bei der Ressourcennutzung zu identifizieren und den Durchsatz auf einer detaillierten Ebene zu messen.

Diese Anreicherung ist besonders wertvoll zur Analyse von Wartezeiten, Verfügbarkeit von Ressourcen und Betriebsrhythmen. Beispielsweise kann im Gesundheitswesen gemessen werden, wie lange es zwischen aufeinanderfolgenden Patientenbesuchen beim selben Arzt dauert, in der Fertigung kann die Zeit zwischen Produktionsläufen auf derselben Maschine verfolgt werden, oder im Kundenservice kann das Intervall zwischen von demselben Mitarbeiter bearbeiteten Fällen analysiert werden. Die Anreicherung erstellt automatisch zwei neue Fallattribute: die Zeitdauer bis zum vorherigen Fall und die Fall-ID dieses vorherigen Falls, wodurch sowohl zeitliche als auch relationale Einblicke bereitgestellt werden.

Im Gegensatz zu einfachen Dauerberechnungen, die die Zeit innerhalb eines Einzelfalls messen, betrachtet diese Anreicherung mehrere Fälle, um Muster im Arbeitsfluss durch Ihre Organisation zu erkennen. Sie zeigt auf, ob Ressourcen vollständig genutzt werden, ob übermäßige Wartezeiten zwischen Aktivitäten auftreten und wie die Arbeitsverteilung in unterschiedlichen Gruppen oder Kategorien Ihres Prozesses variiert.

Häufige Anwendungsfälle

  • Nutzung von Gesundheitsressourcen: Messen der Zeit zwischen aufeinanderfolgenden Patiententerminen beim selben Arzt, um Terminlücken zu identifizieren und die Effizienz der Klinik zu optimieren
  • Durchsatz von Fertigungsmaschinen: Berechnung der Intervalle zwischen Produktionsläufen auf derselben Maschine, um die Maschinenauslastung zu analysieren und Leerlaufzeiten zu erkennen
  • Analyse von Warteschlangen im Kundenservice: Verfolgung der Zeit zwischen Fällen, die vom selben Support-Mitarbeiter bearbeitet werden, um die Arbeitsverteilung und Produktivität der Agenten zu verstehen
  • IT-Incident-Management: Überwachung der Intervalle zwischen Tickets, die demselben Techniker zugewiesen sind, zur Arbeitslastbalance und Vermeidung von Überlastung
  • Analyse von Beschaffungszyklen: Messen der Zeit zwischen Bestellungen desselben Lieferanten zur Optimierung der Bestellfrequenz und Pflege von Lieferantenbeziehungen
  • Muster bei Banktransaktionen: Analyse der Intervalle zwischen Transaktionen für dasselbe Konto oder denselben Kunden, um ungewöhnliche Muster oder Betrugsindikatoren zu erkennen
  • Auftragsabwicklung im Lager: Berechnung der Zeit zwischen Entnahmen am gleichen Standort zur Optimierung des Lagerlayouts und Verringerung der Laufwege

Einstellungen

Gruppieren nach Attribut: Wählen Sie das Fallattribut, das Ihre Gruppierungskategorie definiert. Fälle mit demselben Wert in diesem Attribut werden für die Analyse zusammengefasst. Häufige Optionen sind Ressourcennamen (z. B. "Arzt", "Maschine", "Agent"), Abteilungskennungen, Standortcodes oder jedes kategoriale Attribut, das eine logische Arbeitsgruppierung darstellt. Die Anreicherung berechnet die Zeit vom Startzeitpunkt jedes Falls bis zum Startzeitpunkt des vorherigen Falls innerhalb derselben Gruppe.

Neuer Attributname: Geben Sie den Namen für das neue Dauerattribut an, das erstellt wird. Dieses Attribut enthält die Zeitspanne (in Stunden) zwischen dem Startzeitpunkt des aktuellen Falls und dem Startzeitpunkt des vorherigen Falls in der gleichen Gruppe. Wählen Sie einen beschreibenden Namen, der das gemessene Intervall widerspiegelt, z. B. "Time_Since_Last_Patient" oder "Interval_Between_Orders". Zusätzlich erstellt die Anreicherung automatisch ein zweites Attribut mit dem angehängten Suffix "_CaseId", das die Fall-ID des vorherigen Falls in der Gruppe speichert.

Filter für Fälle (optional): Wenden Sie optionale Filter an, um festzulegen, welche Fälle in die Berechnung einfließen. Dies ist nützlich, wenn Sie nur bestimmte Falltypen analysieren oder bestimmte Szenarien ausschließen möchten. Beispielsweise könnten Sie nur abgeschlossene Fälle einbeziehen, stornierte Bestellungen ausschließen oder sich auf einen bestimmten Zeitraum konzentrieren. Fälle, die den Filterkriterien nicht entsprechen, werden weder in die Gruppierung noch in die Zeitberechnungen aufgenommen.

Beispiele

Beispiel 1: Analyse der Patiententerminplanung

Szenario: Eine Klinik möchte die Terminplanung der Ärzte optimieren, indem sie die tatsächlichen Zeitlücken zwischen aufeinanderfolgenden Patiententerminen versteht. Ziel ist es zu erkennen, ob Ärzte zu viel Leerlaufzeit haben oder die Termine zu eng getaktet sind, was zu Patientenrückstau führen könnte.

Einstellungen:

  • Gruppieren nach Attribut: "Physician_Name"
  • Neuer Attributname: "Time_Since_Previous_Appointment"
  • Filter für Fälle: Keine (alle Termine analysieren)

Ausgabe:

Die Anreicherung erstellt zwei neue Fallattribute:

  • Time_Since_Previous_Appointment: Enthält die Dauer in Stunden zwischen dem Start des aktuellen Termins und dem Start des vorherigen Termins desselben Arztes
  • Time_Since_Previous_Appointment_CaseId: Enthält die Fall-ID des vorherigen Patiententermins

Beispieldaten mit Ergebnissen:

Case ID Physician_Name Appointment_Start Time_Since_Previous_Appointment Time_Since_Previous_Appointment_CaseId
PT-001 Dr. Smith 2024-01-15 08:00 (null) (null)
PT-002 Dr. Smith 2024-01-15 08:30 0.5 PT-001
PT-003 Dr. Smith 2024-01-15 09:15 0.75 PT-002
PT-004 Dr. Jones 2024-01-15 08:00 (null) (null)
PT-005 Dr. Smith 2024-01-15 11:00 1.75 PT-003

Erkenntnisse: Die Klinik kann beispielsweise Muster erkennen, wie Dr. Smith eine 1,75-stündige Pause zwischen PT-003 und PT-005 hat, was auf eine geplante Pause oder eine Ineffizienz bei der Terminplanung hinweist. Durch die Analyse dieser Intervalle über alle Ärzte hinweg kann die Klinik Terminpläne optimieren, um Wartezeiten zu reduzieren und gleichzeitig für ausreichend Zeit pro Patient zu sorgen.

Beispiel 2: Maschinenauslastung in der Fertigung

Szenario: Ein Fertigungswerk möchte die Auslastung der Maschinen messen, indem die Zeit zwischen aufeinanderfolgenden Produktionsläufen auf jeder Maschine analysiert wird. Dies hilft, unterschätzte Ressourcen zu identifizieren und die Produktionsplanung zur Maximierung des Durchsatzes zu optimieren.

Einstellungen:

  • Gruppieren nach Attribut: "Machine_ID"
  • Neuer Attributname: "Machine_Idle_Time"
  • Filter für Fälle: Production_Status = "Completed" (abgebrochene oder fehlgeschlagene Läufe ausschließen)

Ausgabe:

Die Anreicherung erstellt:

  • Machine_Idle_Time: Dauer in Stunden zwischen dem Start des aktuellen Produktionslaufs und dem vorherigen auf der gleichen Maschine
  • Machine_Idle_Time_CaseId: Fall-ID des vorherigen Produktionslaufs

Beispieldaten:

Case ID Machine_ID Run_Start_Time Product_Type Machine_Idle_Time Machine_Idle_Time_CaseId
RUN-101 MCH-A01 2024-01-15 06:00 Widget-X (null) (null)
RUN-102 MCH-A01 2024-01-15 08:30 Widget-Y 2.5 RUN-101
RUN-103 MCH-A02 2024-01-15 06:00 Widget-Z (null) (null)
RUN-104 MCH-A01 2024-01-15 12:00 Widget-X 3.5 RUN-102
RUN-105 MCH-A02 2024-01-15 14:00 Widget-Y 8.0 RUN-103

Erkenntnisse: Maschine MCH-A02 zeigt eine 8-stündige Pause zwischen den Läufen, was auf eine erhebliche Unterauslastung oder mögliche Wartungsarbeiten hindeutet. MCH-A01 hat eine konstantere Auslastung mit Intervallen zwischen 2,5 und 3,5 Stunden. Die Produktionsleiter können diese Daten nutzen, um Produktionspläne auszugleichen, Kapazitäten zu erhöhen oder Ursachen für Leerlaufzeiten zu untersuchen.

Beispiel 3: Analyse der Arbeitsbelastung von Kundenservice-Mitarbeitern

Szenario: Ein Kundenservicezentrum möchte die Arbeitsverteilung über Support-Agenten analysieren, indem die Zeit zwischen aufeinanderfolgenden Fällen pro Agent gemessen wird. Dies hilft zu erkennen, ob einige Agenten überlastet sind, während andere Kapazitäten haben, und unterstützt bessere Fallzuweisungen.

Einstellungen:

  • Gruppieren nach Attribut: "Assigned_Agent"
  • Neuer Attributname: "Time_Between_Cases"
  • Filter für Fälle: Case_Type = "Support Ticket" (interne Aufgaben ausschließen)

Ausgabe:

Die Anreicherung erstellt:

  • Time_Between_Cases: Zeit in Stunden zwischen aufeinanderfolgenden Aufgaben, die demselben Agenten zugewiesen sind
  • Time_Between_Cases_CaseId: Fall-ID des vorherigen Falls beim selben Agenten

Beispieldaten:

Case ID Assigned_Agent Case_Start_Time Priority Time_Between_Cases Time_Between_Cases_CaseId
TKT-501 Agent_Sarah 2024-01-15 09:00 Hoch (null) (null)
TKT-502 Agent_Mike 2024-01-15 09:05 Mittel (null) (null)
TKT-503 Agent_Sarah 2024-01-15 09:15 Niedrig 0.25 TKT-501
TKT-504 Agent_Sarah 2024-01-15 09:30 Hoch 0.25 TKT-503
TKT-505 Agent_Mike 2024-01-15 11:00 Mittel 1.92 TKT-502

Erkenntnisse: Agent Sarah erhält alle 15 Minuten neue Fälle (0,25 Stunden), was auf hohe Arbeitsbelastung hinweist, während Agent Mike fast zwei Stunden zwischen den Fällen hat, was Kapazitäten vermuten lässt. Das Servicezentrum kann diese Informationen nutzen, um die Fallzuweisungen auszugleichen und so eine faire Arbeitsverteilung sowie optimale Reaktionszeiten für Kunden sicherzustellen.

Beispiel 4: Analyse der Bestellfrequenz von Lieferanten

Szenario: Die Einkaufsabteilung möchte Bestellmuster bei Lieferanten analysieren, um die Lagerverwaltung und Lieferantenbeziehungen zu optimieren. Durch die Messung der Zeit zwischen aufeinanderfolgenden Bestellungen beim selben Lieferanten können Möglichkeiten zur Konsolidierung von Bestellungen oder zur Optimierung der Bestellfrequenz identifiziert werden.

Einstellungen:

  • Gruppieren nach Attribut: "Supplier_Name"
  • Neuer Attributname: "Days_Since_Last_Order"
  • Filter für Fälle: Order_Status = "Approved" (abgelehnte oder offene Bestellungen ausschließen)

Ausgabe:

Die Anreicherung erstellt:

  • Days_Since_Last_Order: Zeit in Stunden zwischen Bestellungen beim selben Lieferanten (kann durch Division durch 24 in Tage umgerechnet werden)
  • Days_Since_Last_Order_CaseId: Fall-ID der vorherigen Bestellung

Beispieldaten:

Case ID Supplier_Name Order_Date Total_Amount Days_Since_Last_Order Days_Since_Last_Order_CaseId
PO-1001 Acme Corp 2024-01-05 $5,000 (null) (null)
PO-1002 Beta Supply 2024-01-08 $12,000 (null) (null)
PO-1003 Acme Corp 2024-01-12 $3,200 168.0 PO-1001
PO-1004 Acme Corp 2024-01-15 $4,500 72.0 PO-1003
PO-1005 Beta Supply 2024-01-25 $15,000 408.0 PO-1002

Erkenntnisse: Das Unternehmen bestellt bei Acme Corp alle 3–7 Tage (72–168 Stunden), was auf häufige kleine Bestellungen hinweist, die durch Konsolidierung Versandkosten einsparen könnten. Beta Supply weist ein Intervall von 17 Tagen (408 Stunden) auf, was für Sammelbestellungen optimal sein könnte. Die Einkaufsabteilung kann diese Analyse nutzen, um Mengenrabatte auszuhandeln, Bestellfrequenzen zu optimieren und gute Lieferantenbeziehungen zu pflegen.

Beispiel 5: Management der IT-Incident-Queue

Szenario: Die IT-Abteilung möchte untersuchen, wie Vorfälle auf Techniker verteilt werden, um eine ausgeglichene Arbeitsbelastung zu gewährleisten und Überlastungen zu vermeiden. Durch die Messung der Zeit zwischen aufeinanderfolgenden Incident-Zuweisungen können Ungleichgewichte erkannt und die Ticketverteilung optimiert werden.

Einstellungen:

  • Gruppieren nach Attribut: "Assigned_Technician"
  • Neuer Attributname: "Incident_Assignment_Interval"
  • Filter für Fälle: Incident_Type != "Informational" (nicht bearbeitbare Tickets ausschließen)

Ausgabe:

Die Anreicherung erstellt:

  • Incident_Assignment_Interval: Stunden zwischen aufeinanderfolgenden Incident-Zuweisungen an denselben Techniker
  • Incident_Assignment_Interval_CaseId: Fall-ID des vorherigen Incidents

Beispieldaten:

Case ID Assigned_Technician Assignment_Time Severity Incident_Assignment_Interval Incident_Assignment_Interval_CaseId
INC-201 Tech_Alex 2024-01-15 08:00 Kritisch (null) (null)
INC-202 Tech_Alex 2024-01-15 08:45 Hoch 0.75 INC-201
INC-203 Tech_Jordan 2024-01-15 09:00 Mittel (null) (null)
INC-204 Tech_Alex 2024-01-15 09:30 Kritisch 0.75 INC-202
INC-205 Tech_Jordan 2024-01-15 14:00 Niedrig 5.0 INC-203

Erkenntnisse: Tech Alex erhält alle 45 Minuten kritische und hochprioritäre Incidents (0,75 Stunden), was auf eine mögliche Überlastung hinweist, während Tech Jordan 5 Stunden zwischen den Zuweisungen hat. Der IT-Manager kann diese Daten nutzen, um die Ticketverteilung auszugleichen, sicherzustellen, dass kritische Incidents schnell bearbeitet werden, ohne einzelne Techniker zu überlasten, und die Servicequalität im Team zu erhalten.

Ausgabe

Bei Ausführung dieser Anreicherung werden zwei neue Fallattribute für eine umfassende zeitliche und relationale Analyse erstellt:

Primäres Dauerattribut ([Ihr angegebener Name]):

  • Datentyp: TimeSpan (als Dezimalstunden dargestellt)
  • Einheiten: Dauer in Stunden
  • Wert: Die verstrichene Zeit vom Startzeitpunkt des vorherigen Falls bis zum Startzeitpunkt des aktuellen Falls innerhalb derselben Gruppe
  • Erster Fall in der Gruppe: Nullwert (kein vorheriger Fall vorhanden)
  • Berechnung: Startzeit aktueller Fall minus Startzeit vorheriger Fall, chronologisch innerhalb der Gruppe sortiert

Sekundäres Case ID-Attribut ([Ihr angegebener Name]_CaseId):

  • Datentyp: String (Text)
  • Wert: Fall-ID des vorherigen Falls in derselben Gruppe
  • Erster Fall in der Gruppe: Nullwert (kein vorheriger Fall)
  • Zweck: Ermöglicht die Rückverfolgung auf den spezifischen vorherigen Fall für detaillierte Analysen und Validierung

Verständnis der Ausgabewerte:

Beispielhafte Dauerwerte und ihre Bedeutung:

  • 0.25 = 15 Minuten seit dem vorherigen Fall in dieser Gruppe
  • 2.5 = 2 Stunden und 30 Minuten seit dem vorherigen Fall
  • 24.0 = Genau ein Tag (24 Stunden) seit dem vorherigen Fall
  • 168.0 = Eine Woche (7 Tage) seit dem vorherigen Fall
  • null = Dies ist der erste Fall in der Gruppe oder der Fall gehört zu keiner Gruppe (wenn das Gruppierungsattribut null ist)

Wichtiges Gruppierungsverhalten:

  • Fälle werden basierend auf exakten Übereinstimmungen des "Gruppieren nach Attribut"-Werts gruppiert
  • Innerhalb jeder Gruppe werden Fälle chronologisch nach Startzeit (frühester bis spätester) sortiert
  • Jeder Fall wird nur mit dem unmittelbar vorherigen Fall innerhalb derselben Gruppe verglichen
  • Fälle mit null- oder leeren Werten im Gruppierungsattribut werden in keine Gruppenberechnung einbezogen
  • Bei Anwendung von Filtern werden nur Fälle, die den Filterkriterien entsprechen, für die Bestimmung des "vorherigen" Falls berücksichtigt

Verwendung der Ausgabeattribute:

Die neuen Attribute können in mindzieStudio breit für aussagekräftige Analysen verwendet werden:

  • Performance-Dashboards: Visualisierungen erstellen, die die durchschnittliche Zeit zwischen Fällen pro Gruppe zeigen, um Ressourcen mit optimaler Nutzung gegenüber solchen mit übermäßiger Leerlaufzeit zu identifizieren
  • Fallfilterung: Fälle filtern, bei denen Intervalle zu kurz (mögliche Überlastung) oder zu lang (Unterauslastung) sind, um gezielte Prozessverbesserungen vorzunehmen
  • Statistische Analyse: Statistiken wie Mittelwert, Median und Standardabweichung der Intervalle berechnen, um Variabilität in der Arbeitsverteilung zu verstehen
  • Variantenanalyse: Prozessvarianten basierend auf Ressourcennutzungsmustern vergleichen und Best Practices identifizieren
  • Engpass-Erkennung: Gruppen (Ressourcen, Abteilungen, Standorte) mit dauerhaft langen Intervallen identifizieren, die Kapazitätsengpässe oder Ineffizienzen anzeigen
  • Trend-Analyse: Verfolgung der Veränderung der Intervalle über die Zeit, um den Einfluss von Prozessverbesserungen oder Arbeitslaständerungen zu messen
  • Relationale Analyse: Das _CaseId-Attribut verwenden, um Beziehungen zwischen aufeinanderfolgenden Fällen herzustellen und tiefere Untersuchungen von Mustern oder Anomalien zu ermöglichen

Integration mit anderen Anreicherungen:

Diese Anreicherung eignet sich besonders in Kombination mit:

  • Categorize Attribute Values: Einteilung der Intervalle in Kategorien wie "Normal", "Verzögert", "Gehetzt"
  • Duration Between Two Activities: Vergleich von Interfallintervallen mit Intra-Falldauern für umfassende Zykluszeitanalysen
  • Count Activities: Korrelation von Fallkomplexität (Aktivitätsanzahl) mit Interfallintervallen zur Analyse von Ressourcenkapazitäten
  • Representative Case Attribute: Attribute aus dem vorherigen Fall mit Hilfe der _CaseId abrufen, um aufeinanderfolgende Fälle zu vergleichen

Siehe auch

Verwandte Zeitanalysen-Anreicherungen:

Verwandte Gruppierungs- und Analyseverfahren:

Werkzeuge zur Prozessanalyse:

  • Filter Process Log – Filtern von Fällen basierend auf Kriterien, einschließlich der neuen Intervallattribute
  • Performance Analysis – Verwendung von Intervall-Daten in Performance-Dashboards und Kennzahlen

Diese Dokumentation ist Teil der mindzie Studio Process Mining Plattform.