Vind Datumafwijkingen

Overzicht

De Find Date Outliers calculator identificeert datum- en tijdstempelwaarden in je eventlog die ver buiten het typische bereik voor dat attribuut vallen, zodat je kwaliteitsproblemen in de data kunt opsporen voordat ze je procesanalyse beïnvloeden. De calculator bekijkt elk datum- en tijdstempelattribuut in je eventlog en markeert afzonderlijke cases of events waarvan de datumwaarde ongewoon vroeg of ongewoon laat is vergeleken met de rest van de data in hetzelfde veld.

In tegenstelling tot handmatige data-inspectie controleert deze calculator systematisch elk datumveld in je procesdata om potentiële problemen aan te wijzen die je process mining analyse kunnen vertekenen, zoals foutieve activiteitentijdstempels, verkeerd geïmporteerde data of standaardwaarden die nooit zijn bijgewerkt.

Veelvoorkomend Gebruik

Valideer datakwaliteit na het importeren van eventlogs uit legacy systemen of nieuwe databronnen
Detecteer placeholder-datums of standaardwaarden die wijzen op onvolledige data-invoer
Identificeer fouten in systeemklok of problemen met tijdzoneconversie die onmogelijk tijdstempels veroorzaken
Vind datums afkomstig van testdata die per ongeluk in productie-eventlogs zijn terechtgekomen
Controleer dat tijdstempeldata binnen verwachte bedrijfsoperatieperiodes vallen
Beoordeel snel de algehele kwaliteit van datumvelden over alle attributen vóór een gedetailleerde analyse

Instellingen

Deze calculator vereist geen configuratie-instellingen. Hij bekijkt automatisch alle datum- en tijdstempelattributen in je eventlog en markeert waarden die ver buiten het typische bereik voor elk attribuut vallen.

Standaardvelden:

Titel: Optionele aangepaste titel voor de calculatoruitvoer
Beschrijving: Optionele beschrijving voor documentatiedoeleinden

Hoe afwijkingen worden vastgesteld:

Voor elk datum- of tijdstempelattribuut berekent de calculator boven- en ondergrenzen op basis van de daadwerkelijke data in dat attribuut en markeert waarden die buiten deze grenzen vallen. De grenzen worden berekend met een statistische methode (Interkwartielafstand) zodat wat telt als een "afwijking" relatief is ten opzichte van de rest van je data — er zijn geen hard-coded jaargrenzen. Een attribuut met waarden tussen 2018-2024 heeft andere grenzen dan een attribuut met waarden tussen 2010-2020.

Notities:

Null waarden worden overgeslagen. Ontbrekende datums worden door deze calculator niet als afwijkingen gemarkeerd. (Gebruik andere datakwaliteitstools om ontbrekende waarden te monitoren.)
Alleen datum- en tijdstempelvelden worden bekeken. Tekstvelden die toevallig datums bevatten, worden niet verwerkt.
Attributen met te weinig variatie leveren geen afwijkingen op. Als alle waarden in een attribuut dicht bij elkaar liggen, is er geen zinvolle "buiten het typische bereik" te detecteren.

Voorbeelden

Voorbeeld 1: Validatie Legacy Systeem Migratie

Scenario: Je organisatie is recent overgestapt van een 20 jaar oud legacy ERP-systeem naar een modern platform voor factuurverwerking. Voor je process mining analyse wilt uitvoeren, wil je controleren of alle datumvelden redelijk lijken – in het bijzonder wil je placeholders zoals 1900-01-01 opsporen die mogelijk niet zijn omgezet.

Instellingen:

Titel: "Validatie Data Migratie Facturen"
Beschrijving: "Controle op datumconversieproblemen vanuit legacy systeem"

Wat je ziet:

De calculator geeft een lijst met afwijkende rijen terug. Omdat het legacysysteem 1900-01-01 gebruikte als standaard "lege" waarde, steken die rijen nu ver onder het typische factuurdatumgebied uit en verschijnen in de tabel Case Outliers. Een handvol testrecords met datum 2099-12-31 komt ook voor als ver boven de normale data.

Inzichten:

De output laat zien dat een aanzienlijk aantal facturen de oude placeholderdatum draagt in plaats van een echte datum. Daarnaast verschijnen een paar records met verre toekomstdata, wat duidt op testdata die niet is schoongemaakt voor migratie. Voor je procesanalyse kun je met het datateam:

De records met placeholderdatums corrigeren of verwijderen
De testrecords met verre toekomstdatums filteren

Deze controle bespaart je verkeerde conclusies over factuurverwerkingstijden gebaseerd op corrupte datumdata.

Voorbeeld 2: Detectie van Systeemklok Problemen

Scenario: Gebruikers melden dat sommige tijdstempels in je orderverwerking "niet kloppen", met activiteiten die in de verkeerde volgorde lijken te gebeuren. Je vermoedt problemen met serverklok-synchronisatie of tijdzoneconversies die de gebeurtenistijdstempels verstoren.

Instellingen:

Titel: "Validatie Tijdstempels Orderverwerking"
Beschrijving: "Identificeer klok-synchronisatie of tijdzoneproblemen"

Wat je ziet:

De tabel Event Outliers toont elke gebeurtenis waarvan de activiteitstijdstempel ver buiten de rest van de data valt — bijvoorbeeld een groep events die 20 jaar in de toekomst zijn getimed. Elke rij geeft de case, de activiteit, en de verdachte tijdstempel weer zodat je de getroffen workflowstappen kunt traceren.

Inzichten:

Wanneer tientallen of honderden events allemaal tijdstempels dragen die met een constante offset ver in de toekomst liggen, is dat een klassiek teken van een systeemklokfout of een bug in tijdzoneconversie op het onderliggende systeem. Onderzoek wijst meestal naar een enkele server waarvan de klok is gaan driften tijdens een onderhoudsperiode. Door te zoomen op de afwijkende rijen kun je precies identificeren welke workflowstappen een correctie in hun tijdstempels nodig hebben voordat je die periode proces-analyseert.

Voorbeeld 3: Kwaliteitscontrole Data Voor Analyse

Scenario: Je staat op het punt een uitgebreide process mining analyse uit te voeren over je purchase-to-pay proces met drie jaar aan data. Als best practice voer je eerst de Find Date Outliers calculator uit.

Instellingen:

Titel: "Kwaliteitsscan Purchase-to-Pay Data"
Beschrijving: "Validatiecheck voorafgaand aan analyse"

Wat je ziet:

De calculator onderzoekt elk datumattribuut in het log en geeft geen afwijkende rijen terug — zowel de Case Outliers als Event Outliers tabellen zijn leeg.

Inzichten:

Dit is het beste resultaat — een schone gezondheidscheck van je datumdata. Elk datumattribuut in de dataset is nauw clusterend en bevat geen significante afwijkingen. Je kunt doorgaan met je process mining analyse met de zekerheid dat tijdstempels je tijdgebaseerde metrieken of procesvolgorde niet zullen vertekenen.

Output

De calculator produceert twee datatabellen. Elke rij vertegenwoordigt een enkele afwijking (één specifieke case of één specifiek event), niet een samenvatting per attribuut.

Case Outliers — één rij per case-niveau attribuutwaarde die als afwijking is gemarkeerd:

Case Id (Tekst): De case waar de afwijkende waarde in zit
Attribuut Naam (Tekst): Het caseattribuut waarvan de waarde als afwijking is gemarkeerd
Datumwaarde (DatumTijd): De daadwerkelijke afwijkende waarde in dat caseattribuut

Event Outliers — één rij per event-niveau attribuutwaarde die als afwijking is gemarkeerd:

Case Id (Tekst): De case waar het event bij hoort
Activiteit Naam (Tekst): De activiteit van het event
Activiteit Tijd (DatumTijd): Wanneer de gebeurtenis plaatsvond
Attribuut Naam (Tekst): Het eventattribuut waarvan de waarde als afwijking is gemarkeerd
Datumwaarde (DatumTijd): De daadwerkelijke afwijkende waarde

Wil je afwijkingen per attribuut tellen (bijv. “hoeveel facturen bevatten een placeholderdatum?”), maak dan een draaitabel van de relevante tabel met Attribuut Naam in je dashboard.

Best Practices:

Voer deze calculator uit als eerste stap in elk nieuw process mining project
Voer opnieuw uit na elke data-import of systeemmigratie
Pak afwijkingen aan voordat je proceskaarten maakt of prestatiecijfers berekent
Gebruik de calculator regelmatig op doorlopende datastromen om kwaliteitsdaling vroeg te signaleren

Opmerking: De calculator bekijkt alleen attributen waarvan het datatype al datum of tijdstempel is. Tekstvelden die toevallig op datums lijken worden niet geparsed of geanalyseerd — wil je die toch controleren, converteer ze dan eerst naar een datumattribuut.

Deze documentatie is onderdeel van het mindzie Studio process mining platform.