Clasificación del Orden de Actividades

Visión General

El enriquecimiento Clasificación del Orden de Actividades analiza automáticamente las marcas de tiempo en su registro de eventos para identificar casos donde la secuencia de actividades no puede determinarse con certeza debido a las limitaciones de las marcas de tiempo. Este enriquecimiento de calidad de datos es esencial para la precisión del análisis de procesos, ya que un orden de actividades incierto puede provocar modelos de proceso incorrectos, métricas de rendimiento engañosas y resultados poco fiables en la verificación de conformidad.

Muchos sistemas fuente solo registran fechas sin componentes de tiempo, o múltiples actividades comparten exactamente la misma marca de tiempo debido a importaciones masivas de datos, procesamiento por lotes o limitaciones en la granularidad de la marca de tiempo. Cuando los eventos dentro de un caso tienen marcas de tiempo idénticas (ya sea misma fecha o mismo datetime), la secuencia real en que ocurrieron estas actividades se vuelve ambigua. Este enriquecimiento detecta y categoriza automáticamente estos patrones de incertidumbre, creando atributos que le permiten evaluar la fiabilidad de sus resultados de descubrimiento de procesos e identificar casos donde las suposiciones de orden pueden ser incorrectas.

El enriquecimiento no requiere configuración y realiza un análisis exhaustivo de las marcas de tiempo tanto a nivel de fecha como a nivel de tiempo, categorizando los patrones de incertidumbre como "SameDay" (fecha registrada pero sin componente de tiempo), "SameTime" (valores datetime idénticos) o "SameDayAndTime" (el caso contiene ambos patrones). Esto le permite comprender el alcance y la naturaleza de la incertidumbre de marcas de tiempo en su registro de eventos y tomar decisiones informadas sobre los requisitos de calidad de datos y la fiabilidad del análisis de procesos.

Usos Comunes

  • Evaluar la calidad de los datos antes de realizar descubrimiento de procesos o verificación de conformidad
  • Identificar casos donde las secuencias de actividades son ambiguas debido a limitaciones de las marcas de tiempo
  • Detectar eventos cargados en masa o procesados en lotes que comparten marcas de tiempo idénticas
  • Evaluar si la granularidad de marcas de tiempo del sistema fuente es suficiente para el análisis de procesos
  • Señalar casos donde puede ser necesario hacer suposiciones manuales sobre el orden para un análisis preciso
  • Medir la prevalencia de la incertidumbre de marcas de tiempo en todo su registro de eventos
  • Filtrar casos de baja calidad donde el orden incierto comprometería los resultados del análisis

Configuración

Este enriquecimiento no requiere configuración. Analiza automáticamente todas las marcas de tiempo en su registro de eventos y crea atributos completos que categorizan los patrones de incertidumbre de marcas de tiempo tanto a nivel de evento como a nivel de caso. Simplemente agregue este enriquecimiento a su flujo de trabajo para comenzar a analizar la calidad de las marcas de tiempo.

Ejemplos

Ejemplo 1: Análisis del Recorrido de Pacientes en Salud

Escenario: Un hospital está analizando el flujo de pacientes en su departamento de urgencias, pero descubre que muchas actividades en el mismo día no tienen registrado el componente de tiempo, lo que hace imposible determinar la secuencia real de tratamientos y exámenes.

Configuración: No requiere configuración; el enriquecimiento detecta automáticamente la incertidumbre de marcas de tiempo.

Salida: El enriquecimiento crea los siguientes atributos:

Atributos a nivel de evento:

  • OrderUncertainty: TRUE para eventos donde no se puede determinar con certeza el orden
  • OrderUncertaintyCategory: "SameDay" para eventos que comparten una fecha con otros eventos pero no tienen componente de tiempo

Atributos a nivel de caso:

  • UncertainEventOrder: TRUE (este caso tiene orden incierto)
  • UncertainEventOrderCount: 8 (ocho eventos en este caso tienen orden incierto)
  • UncertainEventOrderCategory: "SameDay"

Para un caso de paciente con eventos registrados como:

  • 2024-03-15 00:00:00 - Registro del Paciente
  • 2024-03-15 00:00:00 - Evaluación de Triaje
  • 2024-03-15 00:00:00 - Control de Signos Vitales
  • 2024-03-15 00:00:00 - Consulta Médica
  • 2024-03-15 14:30:00 - Resultados de Laboratorio Recibidos
  • 2024-03-15 14:30:00 - Decisión de Tratamiento
  • 2024-03-15 14:30:00 - Administración de Medicación
  • 2024-03-15 18:00:00 - Alta del Paciente

Los primeros cuatro eventos (todos a las 00:00:00) se marcan como incertidumbre "SameDay" porque comparten fecha pero falta el componente de tiempo. Los tres eventos a las 14:30:00 se marcarían como incertidumbre "SameTime" porque comparten datetime idéntico. Este caso se categorizaría como "SameDayAndTime" porque muestra ambos patrones.

Conclusiones: El hospital descubre que el 67% de los casos en urgencias tienen orden de eventos incierto debido a la falta de componentes de tiempo en su sistema de registro. Esto revela un problema crítico de calidad de datos que debe abordarse antes de realizar un descubrimiento de procesos preciso. Ahora pueden filtrar casos para analizar solo aquellos con marcas de tiempo completas o trabajar con TI para mejorar la granularidad de marcas de tiempo en sus sistemas fuente.

Ejemplo 2: Procesamiento de Transacciones Financieras

Escenario: Un banco está analizando procesos de aprobación de transacciones con tarjeta de crédito, pero nota que las transacciones procesadas en lotes a menudo comparten marcas de tiempo idénticas, lo que imposibilita determinar la secuencia real de controles antifraude, pasos de autorización y decisiones de aprobación.

Configuración: No requiere configuración.

Salida: Para un caso de transacción procesado en un sistema por lotes:

  • 2024-10-15 02:15:33 - Transacción Recibida
  • 2024-10-15 02:15:33 - Evaluación de Riesgo de Fraude
  • 2024-10-15 02:15:33 - Verificación de Límite de Crédito
  • 2024-10-15 02:15:33 - Verificación del Comerciante
  • 2024-10-15 02:15:33 - Transacción Aprobada
  • 2024-10-15 02:15:34 - Confirmación Enviada

Atributos de eventos:

  • Primeros cinco eventos: OrderUncertainty = TRUE, OrderUncertaintyCategory = "SameTime"
  • Último evento: OrderUncertainty = FALSE

Atributos de caso:

  • UncertainEventOrder: TRUE
  • UncertainEventOrderCount: 5
  • UncertainEventOrderCategory: "SameTime"

Conclusiones: El banco identifica que todas las transacciones procesadas en lote (aproximadamente el 40% de su volumen diario) tienen orden incierto para controles críticos de fraude y crédito. Esto los impulsa a investigar si su sistema de procesamiento por lotes mantiene un número de secuencia interno que pueda usarse para establecer el orden real, o si necesitan mejorar la precisión de las marcas de tiempo en su sistema de registro de transacciones.

Ejemplo 3: Análisis de Línea de Producción Manufacturera

Escenario: Una empresa manufacturera está analizando flujos de trabajo de producción pero descubre que los puntos de control de calidad se registran con marcas de tiempo solo de fecha, mientras que las operaciones de máquinas tienen marcas de tiempo precisas, creando patrones de incertidumbre mixtos.

Configuración: No requiere configuración.

Salida: Para un caso de producción:

  • 2024-10-20 08:15:22 - Material en Materia Prima Cargado
  • 2024-10-20 08:18:45 - Inicio de Maquinado
  • 2024-10-20 00:00:00 - Inspección Visual
  • 2024-10-20 08:45:12 - Maquinado Finalizado
  • 2024-10-20 00:00:00 - Verificación de Dimensiones
  • 2024-10-20 00:00:00 - Aprobación de Calidad
  • 2024-10-20 09:10:30 - Inicio de Empaque

Atributos de eventos:

  • Inspección Visual, Verificación de Dimensiones, Aprobación de Calidad: OrderUncertainty = TRUE, OrderUncertaintyCategory = "SameDay"
  • Otros eventos: OrderUncertainty = FALSE

Atributos de caso:

  • UncertainEventOrder: TRUE
  • UncertainEventOrderCount: 3
  • UncertainEventOrderCategory: "SameDay"

Conclusiones: La empresa descubre que su sistema manual de control de calidad solo registra fechas, mientras que las máquinas capturan marcas de tiempo precisas. Esta precisión mixta significa que no pueden determinar si las inspecciones de calidad ocurrieron en la secuencia documentada o si las verificaciones de dimensión a veces ocurrieron antes que las inspecciones visuales. Ahora pueden priorizar actualizar su sistema de registro de control de calidad o ajustar su análisis de procesos para tener en cuenta esta incertidumbre.

Ejemplo 4: Cumplimiento de Pedidos en Comercio Electrónico

Escenario: Un minorista en línea está analizando los flujos de procesos de pedidos pero nota que los eventos del sistema de gestión de almacenes a menudo tienen marcas de tiempo idénticas debido a operaciones rápidas de escaneo que superan la precisión de una marca de tiempo por segundo del sistema.

Configuración: No requiere configuración.

Salida: Para un pedido con cumplimiento rápido:

  • 2024-10-21 10:23:45 - Pedido Recibido
  • 2024-10-21 10:24:18 - Inventario Asignado
  • 2024-10-21 10:24:18 - Lista de Recolección Generada
  • 2024-10-21 10:24:18 - Artículos Recogidos
  • 2024-10-21 10:24:18 - Calidad Verificada
  • 2024-10-21 10:24:18 - Empaque Completado
  • 2024-10-21 10:25:03 - Etiqueta de Envío Creada

Atributos de eventos:

  • Cinco eventos a las 10:24:18: OrderUncertainty = TRUE, OrderUncertaintyCategory = "SameTime"

Atributos de caso:

  • UncertainEventOrder: TRUE
  • UncertainEventOrderCount: 5
  • UncertainEventOrderCategory: "SameTime"

Conclusiones: El minorista descubre que las operaciones de su almacén son tan eficientes que múltiples pasos ocurren en la misma ventana de un segundo, pero la precisión de la marca de tiempo del sistema es insuficiente para captar la secuencia verdadera. Encuentra que el 25% de los pedidos tienen orden incierto en las actividades de almacén. Esto los lleva a considerar añadir precisión de marcas de tiempo sub-segundo a su sistema de gestión de almacenes o implementar números de secuencia para eventos del mismo segundo.

Ejemplo 5: Resolución de Tickets en Mesa de Servicio TI

Escenario: Un departamento de TI está analizando procesos de resolución de tickets de soporte pero descubre que las actualizaciones masivas de estado y acciones automatizadas a menudo comparten marcas de tiempo, creando incertidumbre sobre la secuencia real de pasos de solución.

Configuración: No requiere configuración.

Salida: Para un caso de ticket de soporte:

  • 2024-10-18 09:15:00 - Ticket Creado
  • 2024-10-18 09:15:00 - Asignado Automáticamente al Equipo
  • 2024-10-18 09:15:00 - Prioridad Establecida
  • 2024-10-18 09:15:00 - Temporizador SLA Iniciado
  • 2024-10-18 10:30:22 - Ingeniero Asignado
  • 2024-10-18 00:00:00 - Investigación Inicial
  • 2024-10-18 00:00:00 - Causa Raíz Identificada
  • 2024-10-18 00:00:00 - Resolución Aplicada
  • 2024-10-18 14:45:10 - Ticket Cerrado

Atributos de eventos:

  • Primeros cuatro eventos: OrderUncertainty = TRUE, OrderUncertaintyCategory = "SameTime"
  • Tres eventos intermedios: OrderUncertainty = TRUE, OrderUncertaintyCategory = "SameDay"

Atributos de caso:

  • UncertainEventOrder: TRUE
  • UncertainEventOrderCount: 7
  • UncertainEventOrderCategory: "SameDayAndTime"

Conclusiones: El departamento de TI descubre que los pasos automatizados para creación de tickets comparten todas la misma marca de tiempo, y las actividades manuales de investigación se registran solo con precisión de fecha. Este patrón mixto de incertidumbre afecta al 55% de los tickets y revela que los resultados del análisis de procesos pueden mostrar secuencias incorrectas de actividades. Ahora pueden trabajar con el proveedor de su sistema de gestión de servicios TI para mejorar la granularidad de las marcas de tiempo y obtener resultados de descubrimiento de procesos más fiables.

Salida

El enriquecimiento Clasificación del Orden de Actividades crea atributos completos tanto a nivel de evento como a nivel de caso para permitir un análisis detallado de la incertidumbre de marcas de tiempo en sus datos de procesos.

Atributos a Nivel de Evento:

OrderUncertainty (Booleano): Indica si este evento específico tiene un orden incierto respecto a otros eventos en el mismo caso. Se establece en TRUE cuando el evento comparte una marca de tiempo idéntica (ya sea solo fecha o datetime completo) con al menos otro evento en el caso, haciendo la secuencia ambigua. Se establece en FALSE cuando el evento tiene una marca de tiempo única dentro del caso.

OrderUncertaintyCategory (Texto): Categoriza el tipo de incertidumbre de marcas de tiempo para este evento:

  • "SameDay": El evento comparte una fecha con otros eventos pero no tiene componente de tiempo (marca de tiempo termina en 00:00:00), indicando precisión solo de fecha en el sistema fuente
  • "SameTime": El evento tiene un datetime idéntico (incluyendo componente de tiempo) con otros eventos, indicando ejecución simultánea o granularidad insuficiente en la marca de tiempo
  • "SameDayAndTime": El evento presenta ambos patrones (inicialmente marcado como SameDay, y luego también encontrado que coincide con criterios SameTime)

Atributos a Nivel de Caso:

UncertainEventOrder (Booleano): Indica si este caso contiene algún evento con orden incierto. Se establece en TRUE si al menos un evento en el caso tiene orden ambiguo debido a duplicación de marcas de tiempo. Se establece en FALSE solo cuando todos los eventos en el caso tienen marcas de tiempo únicas y el orden puede determinarse con certeza.

UncertainEventOrderCount (Entero): El número total de eventos dentro de este caso que tienen orden incierto. Este conteo ayuda a evaluar la gravedad de la incertidumbre de marcas de tiempo: un caso con dos eventos inciertos es menos problemático que uno con docenas de eventos que comparten la misma marca de tiempo.

UncertainEventOrderCategory (Texto): Resume el patrón de incertidumbre de marcas de tiempo para el caso entero:

  • "SameDay": El caso contiene solo incertidumbre a nivel de fecha (algunos eventos comparten fechas pero no tienen componente de tiempo)
  • "SameTime": El caso contiene solo incertidumbre a nivel de tiempo (algunos eventos comparten valores datetime idénticos)
  • "SameDayAndTime": El caso contiene ambos patrones de incertidumbre

Detalles del Tipo de Datos:

  • Los atributos booleanos usan valores TRUE/FALSE y pueden ser usados en filtros con condiciones "es igual a TRUE" o "es igual a FALSE"
  • Los atributos enteros pueden usarse en filtros de rango y cálculos para medir la prevalencia de la incertidumbre
  • Los atributos de texto pueden agruparse y filtrarse para analizar separadamente diferentes patrones de incertidumbre

Uso en el Análisis: Estos atributos le permiten filtrar su conjunto de datos para excluir casos con orden incierto, crear métricas que muestren el porcentaje de casos afectados por la incertidumbre de marcas de tiempo, identificar qué sistemas fuente o procesos tienen peor calidad de marcas de tiempo y priorizar mejoras en la calidad de datos basadas en el impacto en sus resultados de análisis de procesos. Los atributos se integran sin problemas con las funciones de verificación de conformidad, descubrimiento de procesos y análisis de desempeño en mindzieStudio.

Véase También

  • Allowed Case End Activities - Enriquecimiento de conformidad que requiere orden confiable de actividades
  • Allowed Case Start Activities - Enriquecimiento de conformidad afectado por marcas de tiempo inciertas en el primer evento
  • Duration Between Two Activities - Enriquecimiento de desempeño que produce resultados poco fiables cuando el orden de actividades es incierto
  • Freeze Log Time - Enriquecimiento de limpieza de datos que puede normalizar marcas de tiempo para mejorar la consistencia

Esta documentación es parte de la plataforma de minería de procesos mindzie Studio.