Activiteitsvolgorde Classificatie

Overzicht

De Activiteitsvolgorde Classificatie verrijking analyseert automatisch de tijdstempels in je gebeurtenislog om gevallen te identificeren waarbij de volgorde van activiteiten niet met zekerheid kan worden vastgesteld vanwege beperkingen in de tijdstempels. Deze datakwaliteitverrijking is essentieel voor procesmining nauwkeurigheid, omdat onzekerheid in de volgorde van activiteiten kan leiden tot onjuiste procesmodellen, misleidende prestatiemetingen en onbetrouwbare conformiteitscontroles.

Veel bronsystemen registreren alleen datums zonder tijdcomponenten, of meerdere activiteiten delen exact dezelfde tijdstempel door bulkdata-imports, batchverwerking of beperkingen in tijdstempelprecisie. Wanneer gebeurtenissen binnen een case identieke tijdstempels hebben (ofwel dezelfde datum of dezelfde datum-tijd), wordt de werkelijke volgorde van deze activiteiten onduidelijk. Deze verrijking detecteert en categoriseert automatisch deze onzekerheidspatronen, en maakt attributen aan die je in staat stellen om de betrouwbaarheid van je procesontdekkingsresultaten te beoordelen en cases te identificeren waarbij volgordeaannames mogelijk onjuist zijn.

De verrijking vereist geen configuratie en voert een uitgebreide tijdstempel-analyse uit op zowel datum- als tijdsniveau, waarbij onzekerheidspatronen worden gecategoriseerd als "SameDay" (datum geregistreerd maar geen tijdcomponent), "SameTime" (identieke datum-tijdwaarden) of "SameDayAndTime" (case bevat beide patronen). Dit stelt je in staat om de omvang en aard van tijdstempel-onzekerheid in je gebeurtenislog te begrijpen en weloverwogen beslissingen te nemen over datakwaliteitseisen en betrouwbaarheid van procesanalyse.

Veelvoorkomende Toepassingen

  • Beoordelen van datakwaliteit vóór het uitvoeren van procesontdekking of conformiteitscontrole
  • Identificeren van cases waarbij de volgorde van activiteiten onduidelijk is door tijdstempelbeperkingen
  • Detecteren van bulk-geïmporteerde of batch-verwerkte gebeurtenissen die identieke tijdstempels delen
  • Evalueren of de tijdstempelprecisie van het bronsysteem voldoende is voor procesanalyse
  • Signaleren van cases waarbij handmatige volgordeaannames nodig kunnen zijn voor nauwkeurige analyse
  • Meten van de prevalentie van tijdstempel-onzekerheid in de gehele gebeurtenislog
  • Filteren van cases met lage kwaliteit waarbij onzekere volgorde de analysekosten verlaagt

Instellingen

Deze verrijking vereist geen configuratie. Het analyseert automatisch alle tijdstempels in je gebeurtenislog en maakt uitgebreide attributen aan die onzekerheidspatronen van tijdstempels categoriseren op zowel gebeurtenis- als case-niveau. Voeg deze verrijking gewoon toe aan je workflow om te beginnen met het analyseren van tijdstempelkwaliteit.

Voorbeelden

Voorbeeld 1: Analyse van Patiëntenreis in de Zorg

Scenario: Een ziekenhuis analyseert de patiëntdoorstroming via de spoedeisende hulp maar ontdekt dat veel activiteiten op dezelfde dag geen geregistreerde tijdcomponent hebben, waardoor het onmogelijk is de werkelijke volgorde van behandelingen en onderzoeken te bepalen.

Instellingen: Geen configuratie vereist - de verrijking detecteert automatisch tijdstempelonzekerheid.

Uitvoer: De verrijking maakt de volgende attributen aan:

Gebeurtenis-niveau attributen:

  • OrderUncertainty: TRUE voor gebeurtenissen waarbij de volgorde niet met zekerheid kan worden bepaald
  • OrderUncertaintyCategory: "SameDay" voor gebeurtenissen die een datum delen met andere gebeurtenissen maar geen tijdcomponent hebben

Case-niveau attributen:

  • UncertainEventOrder: TRUE (deze case heeft onzekere volgorde)
  • UncertainEventOrderCount: 8 (acht gebeurtenissen in deze case hebben onzekere volgorde)
  • UncertainEventOrderCategory: "SameDay"

Voor een patiëntcase met gebeurtenissen geregistreerd als:

  • 2024-03-15 00:00:00 - Patiëntregistratie
  • 2024-03-15 00:00:00 - Triagebeoordeling
  • 2024-03-15 00:00:00 - Controle van vitale functies
  • 2024-03-15 00:00:00 - Consult met arts
  • 2024-03-15 14:30:00 - Laboratoriumresultaten ontvangen
  • 2024-03-15 14:30:00 - Behandelbeslissing
  • 2024-03-15 14:30:00 - Medicatie toegediend
  • 2024-03-15 18:00:00 - Patiënt ontslagen

De eerste vier gebeurtenissen (allemaal om 00:00:00) worden gemarkeerd als "SameDay" onzekerheid omdat zij een datum delen maar de tijdcomponent ontbreekt. De drie gebeurtenissen om 14:30:00 worden gemarkeerd als "SameTime" onzekerheid omdat zij een identieke datum-tijd delen. Deze case wordt gecategoriseerd als "SameDayAndTime" omdat beide patronen voorkomen.

Inzichten: Het ziekenhuis ontdekt dat 67% van de spoedafdelingscases onzekere volgorde van gebeurtenissen hebben door ontbrekende tijdcomponenten in hun registratiesysteem. Dit toont een kritisch datakwaliteitsprobleem aan dat moet worden opgelost voordat accurate procesontdekking kan plaatsvinden. Zij kunnen nu cases filteren om alleen die met complete tijdstempels te analyseren of samenwerken met IT om tijdstempelgranulariteit te verbeteren in hun bronsystemen.

Voorbeeld 2: Verwerking van Financiële Transacties

Scenario: Een bank analyseert het goedkeuringsproces van creditcardtransacties maar merkt dat batch-verwerkte transacties vaak identieke tijdstempels delen, waardoor het onmogelijk is de werkelijke volgorde van fraudecchecks, autorisatiestappen en goedkeuringsbeslissingen vast te stellen.

Instellingen: Geen configuratie vereist.

Uitvoer: Voor een transactiecase verwerkt in een batchsysteem:

  • 2024-10-15 02:15:33 - Transactie ontvangen
  • 2024-10-15 02:15:33 - Frauderisicobeoordeling
  • 2024-10-15 02:15:33 - Kredietlimietcontrole
  • 2024-10-15 02:15:33 - Handelaarverificatie
  • 2024-10-15 02:15:33 - Transactie goedgekeurd
  • 2024-10-15 02:15:34 - Bevestiging verzonden

Gebeurtenisattributen:

  • Eerste vijf gebeurtenissen: OrderUncertainty = TRUE, OrderUncertaintyCategory = "SameTime"
  • Laatste gebeurtenis: OrderUncertainty = FALSE

Case-attributen:

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

Inzichten: De bank constateert dat alle batch-verwerkte transacties (ongeveer 40% van hun dagelijkse volume) onzekere volgorde hebben voor kritieke fraudecchecks en kredietcontroles. Dit zet hen aan tot onderzoek of hun batchverwerkingssysteem een interne volgordekennummering onderhoudt die kan worden gebruikt om echte volgorde vast te stellen, of dat ze de precisie van tijdstempels in hun transactieregistratiesysteem moeten verbeteren.

Voorbeeld 3: Analyse van Productielijn

Scenario: Een productiebedrijf analyseert productieworkflows maar ontdekt dat kwaliteitscontrole-checkpoints worden geregistreerd met alleen datumstempels, terwijl machineactiviteiten precieze tijdstempels hebben, waardoor gemengde onzekerheidspatronen ontstaan.

Instellingen: Geen configuratie vereist.

Uitvoer: Voor een productiecase:

  • 2024-10-20 08:15:22 - Grondstof geladen
  • 2024-10-20 08:18:45 - Bewerking gestart
  • 2024-10-20 00:00:00 - Visuele inspectie
  • 2024-10-20 08:45:12 - Bewerking afgerond
  • 2024-10-20 00:00:00 - Dimensiecontrole
  • 2024-10-20 00:00:00 - Kwaliteitsgoedkeuring
  • 2024-10-20 09:10:30 - Verpakking gestart

Gebeurtenisattributen:

  • Visuele inspectie, Dimensiecontrole, Kwaliteitsgoedkeuring: OrderUncertainty = TRUE, OrderUncertaintyCategory = "SameDay"
  • Andere gebeurtenissen: OrderUncertainty = FALSE

Case-attributen:

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

Inzichten: Het bedrijf ontdekt dat hun handmatige kwaliteitscontrolesysteem alleen datums registreert, terwijl geautomatiseerde machineactiviteiten precieze tijdstempels vastleggen. Deze gemengde precisie betekent dat ze niet kunnen bepalen of kwaliteitscontroles in de gedocumenteerde volgorde plaatsvonden of dat dimensionale controles soms vóór visuele inspecties gebeurden. Ze kunnen nu prioriteit geven aan het upgraden van hun kwaliteitscontrolesysteem of hun procesanalyse aanpassen om deze onzekerheid te verwerken.

Voorbeeld 4: E-commerce Orderafhandeling

Scenario: Een online retailer analyseert orderverwerking, maar merkt dat gebeurtenissen in het magazijnsysteem vaak identieke tijdstempels hebben door snelle scanactiviteiten die de precisie van één seconde van het systeem overschrijden.

Instellingen: Geen configuratie vereist.

Uitvoer: Voor een order met snellere verwerking:

  • 2024-10-21 10:23:45 - Order ontvangen
  • 2024-10-21 10:24:18 - Voorraad toegewezen
  • 2024-10-21 10:24:18 - Picklijst gegenereerd
  • 2024-10-21 10:24:18 - Items gepickt
  • 2024-10-21 10:24:18 - Kwaliteit geverifieerd
  • 2024-10-21 10:24:18 - Inpakken voltooid
  • 2024-10-21 10:25:03 - Verzendlabel aangemaakt

Gebeurtenisattributen:

  • Vijf gebeurtenissen om 10:24:18: OrderUncertainty = TRUE, OrderUncertaintyCategory = "SameTime"

Case-attributen:

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

Inzichten: De retailer ontdekt dat hun magazijnactiviteiten zo efficiënt zijn dat meerdere stappen binnen dezelfde secondenregistratie plaatsvinden, maar de systeemprecisie is onvoldoende om de echte volgorde vast te leggen. Ze vinden dat 25% van de orders onzekere volgorde heeft voor magazijnactiviteiten. Dit leidt tot overwegingen om sub-secondeprecisie in het magazijnsysteem toe te voegen of volgordecijfers voor gebeurtenissen binnen dezelfde seconde in te voeren.

Voorbeeld 5: IT Servicedesk Ticketafhandeling

Scenario: Een IT-afdeling analyseert het proces van ondersteuningsticketafhandeling maar ontdekt dat bulkstatusupdates en automatische systeeme acties vaak dezelfde tijdstempels delen, wat onzekerheid creëert over de werkelijke volgorde van probleemoplossingsstappen.

Instellingen: Geen configuratie vereist.

Uitvoer: Voor een supportticketcase:

  • 2024-10-18 09:15:00 - Ticket aangemaakt
  • 2024-10-18 09:15:00 - Automatisch toegewezen aan team
  • 2024-10-18 09:15:00 - Prioriteit ingesteld
  • 2024-10-18 09:15:00 - SLA timer gestart
  • 2024-10-18 10:30:22 - Engineer toegewezen
  • 2024-10-18 00:00:00 - Initiële onderzoek
  • 2024-10-18 00:00:00 - Oorzaak achterhaald
  • 2024-10-18 00:00:00 - Oplossing toegepast
  • 2024-10-18 14:45:10 - Ticket gesloten

Gebeurtenisattributen:

  • Eerste vier gebeurtenissen: OrderUncertainty = TRUE, OrderUncertaintyCategory = "SameTime"
  • Midden drie gebeurtenissen: OrderUncertainty = TRUE, OrderUncertaintyCategory = "SameDay"

Case-attributen:

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

Inzichten: De IT-afdeling ontdekt dat automatische ticketaanmaakstappen dezelfde tijdstempel delen en dat handmatige onderzoeksactiviteiten met datum-only precisie worden geregistreerd. Dit gemengde patroon van onzekerheid treft 55% van de tickets en onthult dat hun procesminingresultaten mogelijk onjuiste activiteitsvolgordes tonen. Ze kunnen nu samenwerken met hun IT-servicemanagementsysteemleverancier om tijdstempelprecisie te verbeteren en betrouwbaardere procesontdekkingsresultaten te realiseren.

Output

De Activiteitsvolgorde Classificatie verrijking maakt uitgebreide attributen aan op zowel gebeurtenisseniveau als case-niveau om gedetailleerde analyse van tijdstempel-onzekerheid in je procesdata mogelijk te maken.

Gebeurtenisniveau Attributen:

OrderUncertainty (Boolean): Geeft aan of deze specifieke gebeurtenis onzekere volgorde heeft ten opzichte van andere gebeurtenissen in dezelfde case. Wordt op TRUE gezet wanneer de gebeurtenis een identieke tijdstempel deelt (ofwel datum alleen of volledige datum-tijd) met minstens één andere gebeurtenis in de case, waardoor de volgorde ambigu wordt. Wordt op FALSE gezet wanneer de gebeurtenis een unieke tijdstempel binnen de case heeft.

OrderUncertaintyCategory (Tekst): Categoriseert het type tijdstempel-onzekerheid voor deze gebeurtenis:

  • "SameDay": De gebeurtenis deelt een datum met andere gebeurtenissen maar heeft geen tijdcomponent (tijdstempel eindigt op 00:00:00), wat duidt op datum-only precisie in het bronsysteem
  • "SameTime": De gebeurtenis deelt een identieke datum-tijd (inclusief tijdcomponent) met andere gebeurtenissen, wat duidt op gelijktijdige uitvoering of onvoldoende tijdstempelgranulariteit
  • "SameDayAndTime": De gebeurtenis vertoont beide patronen (initieel gemarkeerd als SameDay en vervolgens ook voldaan aan SameTime criteria)

Case-niveau Attributen:

UncertainEventOrder (Boolean): Geeft aan of deze case gebeurtenissen bevat met onzekere volgorde. Wordt op TRUE gezet als ten minste één gebeurtenis in de case ambigu is door dubbele tijdstempels. Wordt op FALSE gezet als alle gebeurtenissen unieke tijdstempels hebben en volgorde met zekerheid vastgesteld kan worden.

UncertainEventOrderCount (Integer): Het totale aantal gebeurtenissen binnen deze case met onzekere volgorde. Deze telling helpt de ernst van tijdstempel-onzekerheid te beoordelen – een case met twee onzekere gebeurtenissen is minder problematisch dan één met tientallen.

UncertainEventOrderCategory (Tekst): Vat het tijdstempel-onzekerheidspatroon voor de gehele case samen:

  • "SameDay": Case bevat alleen datumniveau onzekerheid (sommige gebeurtenissen delen datums maar missen tijdcomponent)
  • "SameTime": Case bevat alleen tijdniveau onzekerheid (sommige gebeurtenissen delen identieke datum-tijdwaarden)
  • "SameDayAndTime": Case bevat beide onzekerheidspatronen

Datatypen Details:

  • Boolean attributen gebruiken TRUE/FALSE waarden en kunnen in filters gebruikt worden met "equals TRUE" of "equals FALSE" condities
  • Integer attributen kunnen gebruikt worden in bereikfilters en berekeningen voor het meten van het voorkomen van onzekerheid
  • Tekstattributen kunnen gegroepeerd en gefilterd worden om verschillende onzekerheidspatronen apart te analyseren

Gebruik in Analyse: Deze attributen stellen je in staat om je dataset te filteren zodat cases met onzekere volgorde worden uitgesloten, metrics te creëren die het percentage cases met tijdstempelonzekerheid weergeven, te identificeren welke bronsystemen of processen de slechtste tijdstempelkualitas hebben, en datakwaliteitsverbeteringen te prioriteren op basis van de impact op je procesminingresultaten. De attributen integreren naadloos met conformiteitscontrole, procesontdekking en prestatieanalyse functies in mindzieStudio.

Zie Ook

  • Allowed Case End Activities - Conformiteitsverrijking die betrouwbare activiteitsvolgorde vereist
  • Allowed Case Start Activities - Conformiteitsverrijking beïnvloed door onzekere eerste gebeurtenistijdstempels
  • Duration Between Two Activities - Prestatieverrijking die onbetrouwbare resultaten geeft wanneer activiteitsvolgorde onzeker is
  • Freeze Log Time - Datacleaningverrijking die tijdstempels kan normaliseren voor betere consistentie

Deze documentatie maakt deel uit van het mindzie Studio procesminingplatform.