Tijd Tot Vorige Zaak in de Groep

Overzicht

De verrijking Tijd Tot Vorige Zaak in de Groep berekent de verstreken tijd tussen opeenvolgende zaken binnen een specifieke groep of categorie. Door zaken te groeperen op basis van een gedeeld kenmerk (zoals patiënt-ID, resource naam, machine-ID of afdeling), meet deze verrijking het interval vanaf het begin van de ene zaak tot het begin van de volgende zaak in dezelfde groep. Deze krachtige temporele analysefunctie stelt organisaties in staat om werkdrukpatronen te begrijpen, knelpunten in resourcegebruik te identificeren en doorvoersnelheden op gedetailleerd niveau te meten.

Deze verrijking is bijzonder waardevol voor het analyseren van wachttijden, resourcebeschikbaarheid en operationele cadans. Bijvoorbeeld in de gezondheidszorg kunt u meten hoe lang het duurt tussen opeenvolgende patiëntbezoeken bij dezelfde arts, in de productie kunt u de tijd tussen productieruns op dezelfde machine volgen, of in de klantenservice kunt u het interval analyseren tussen zaken die door dezelfde medewerker worden afgehandeld. De verrijking maakt automatisch twee nieuwe zaakattributen aan: de tijdsduur tot de vorige zaak en het zaak-ID van die vorige zaak, wat zowel temporele als relationele inzichten biedt.

In tegenstelling tot eenvoudige duurmetingen die de tijd binnen één enkele zaak meten, kijkt deze verrijking over meerdere zaken heen om patronen te begrijpen in hoe het werk door uw organisatie stroomt. Het onthult of resources volledig worden benut, of er te lange wachttijden zijn tussen activiteiten, en hoe de werkdrukverdeling varieert tussen verschillende groepen of categorieën in uw proces.

Veelvoorkomende Toepassingen

  • Gezondheidszorg Resourcegebruik: Meet de tijd tussen opeenvolgende afspraken van patiënten bij dezelfde arts om planningsgaten te identificeren en de efficiëntie van de kliniek te optimaliseren
  • Productie Machine Doorvoer: Bereken intervallen tussen productieruns op hetzelfde apparaat om machinegebruik te analyseren en stilstandstijd te identificeren
  • Klantenservice Wachtrij Analyse: Volg de tijd tussen zaken die door dezelfde supportmedewerker worden behandeld om werkdrukverdeling en productiviteit te begrijpen
  • IT Incidentbeheer: Bewaak het interval tussen tickets die aan dezelfde technicus worden toegewezen om werkbelasting te balanceren en overbelasting te voorkomen
  • Inkoop Cyclus Analyse: Meet de tijd tussen inkooporders bij dezelfde leverancier om de bestelfrequentie te optimaliseren en leveranciersrelaties te onderhouden
  • Bankieren Transactiepatronen: Analyseer intervallen tussen transacties voor dezelfde rekening of klant om ongewone patronen of fraude-indicatoren op te sporen
  • Magazijn Orderverwerking: Bereken de tijd tussen picks van dezelfde locatie om magazijnindeling te optimaliseren en reistijd te verminderen

Instellingen

Groeperen op Attribuut: Selecteer het zaakattribuut dat uw groeperingscategorie definieert. Zaken met dezelfde waarde in dit attribuut worden samen gegroepeerd voor analyse. Veelvoorkomende keuzes zijn resource namen (bijv. "Doctor", "Machine", "Agent"), afdelingsidentificaties, locatiecodes of elk categorisch attribuut dat een logische werkgroepering vertegenwoordigt. De verrijking berekent de tijd vanaf het startmoment van elke zaak tot het startmoment van de vorige zaak binnen dezelfde groep.

Nieuwe Attribuutnaam: Geef de naam op voor het nieuwe duurattribuut dat wordt aangemaakt. Dit attribuut bevat de tijdsduur (in uren) tussen het startmoment van de huidige zaak en het startmoment van de vorige zaak binnen dezelfde groep. Kies een beschrijvende naam die weerspiegelt wat u meet, zoals "Time_Since_Last_Patient" of "Interval_Between_Orders". De verrijking maakt ook automatisch een tweede attribuut aan met "_CaseId" toegevoegd aan uw gekozen naam, waarin het zaak-ID van de vorige zaak in de groep wordt opgeslagen.

Filter Zaken (optioneel): Pas optionele filters toe om te beperken welke zaken worden meegenomen in de berekening. Dit is nuttig wanneer u alleen specifieke soorten zaken wilt analyseren of bepaalde scenario's wilt uitsluiten. Bijvoorbeeld kunt u filteren op alleen voltooide zaken, geannuleerde orders uitsluiten, of u concentreren op een specifieke periode. Zaken die niet aan de filtercriteria voldoen, worden niet in de groepering of tijdsberekeningen opgenomen.

Voorbeelden

Voorbeeld 1: Analyse van Patiëntafspraken

Scenario: Een gezondheidskliniek wil de planning van artsen optimaliseren door de feitelijke tijdsintervallen tussen opeenvolgende patiëntafspraken te begrijpen. Ze willen vaststellen of artsen te veel downtime tussen patiënten hebben of dat afspraken te strak gepland zijn, wat leidt tot patiëntenachterstanden.

Instellingen:

  • Groeperen op Attribuut: "Physician_Name"
  • Nieuwe Attribuutnaam: "Time_Since_Previous_Appointment"
  • Filter Zaken: Geen (alle afspraken analyseren)

Uitvoer:

De verrijking maakt twee nieuwe zaakattributen aan:

  • Time_Since_Previous_Appointment: Bevat de duur in uren tussen het startmoment van de huidige afspraak en het startmoment van de vorige patiëntafspraak voor dezelfde arts
  • Time_Since_Previous_Appointment_CaseId: Bevat het zaak-ID van de vorige patiëntafspraak

Voorbeelddata met resultaten:

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

Inzichten: De kliniek kan nu patronen herkennen, zoals dat Dr. Smith een tijdsgat van 1,75 uur heeft tussen PT-003 en PT-005, wat kan wijzen op een geplande pauze of inefficiëntie in de afspraakplanning. Door deze intervallen voor alle artsen te analyseren, kan de kliniek planningssjablonen optimaliseren om wachttijden te verminderen en tegelijk voldoende tijd per patiënt te garanderen.

Voorbeeld 2: Machinebenutting in de Productie

Scenario: Een productiefaciliteit wil de benutting van apparatuur meten door de tijd tussen opeenvolgende productieruns op elke machine te analyseren. Dit helpt bij het identificeren van onderbenutte middelen en het optimaliseren van de productieplanning om de doorvoer te maximaliseren.

Instellingen:

  • Groeperen op Attribuut: "Machine_ID"
  • Nieuwe Attribuutnaam: "Machine_Idle_Time"
  • Filter Zaken: Production_Status = "Completed" (geannuleerde of mislukte runs uitsluiten)

Uitvoer:

De verrijking creëert:

  • Machine_Idle_Time: Duur in uren tussen het startmoment van de huidige productie-run en de vorige run op dezelfde machine
  • Machine_Idle_Time_CaseId: Zaak-ID van de vorige productie-run

Voorbeelddata:

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

Inzichten: Machine MCH-A02 toont een interval van 8 uur tussen runs, wat wijst op aanzienlijke onderbenutting of mogelijke onderhoudsproblemen. MCH-A01 heeft meer consistente benutting met intervallen van 2,5 tot 3,5 uur. Productiemanagers kunnen deze gegevens gebruiken om productieschema's in balans te brengen, kansen voor extra capaciteit te identificeren of onderzoeken waarom bepaalde machines te lang stilstaan.

Voorbeeld 3: Analyse Werkdruk Klantenservice Medewerker

Scenario: Een klantenservicecentrum wil de werkdrukverdeling over supportmedewerkers analyseren door tijd te meten tussen opeenvolgende zaken die aan elke agent zijn toegewezen. Dit helpt vast te stellen of sommige agenten overbelast zijn terwijl anderen capaciteit hebben, wat betere routing van zaken mogelijk maakt.

Instellingen:

  • Groeperen op Attribuut: "Assigned_Agent"
  • Nieuwe Attribuutnaam: "Time_Between_Cases"
  • Filter Zaken: Case_Type = "Support Ticket" (interne taken uitsluiten)

Uitvoer:

De verrijking creëert:

  • Time_Between_Cases: Aantal uren tussen opeenvolgende zaken die aan dezelfde agent zijn toegewezen
  • Time_Between_Cases_CaseId: Zaak-ID van de vorige zaak voor dezelfde agent

Voorbeelddata:

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

Inzichten: Agent Sarah ontvangt elke 15 minuten nieuwe zaken (0,25 uur), wat wijst op een hoge werkdruk, terwijl Agent Mike bijna 2 uur tussen de zaken heeft, wat wijst op beschikbare capaciteit. Het serviceteam kan deze informatie gebruiken om de zaaktoewijzing in balans te brengen, zodat de werkdruk eerlijker verdeeld is en reactietijden voor klanten optimaal zijn.

Voorbeeld 4: Analyse Bestelfrequentie Leveranciers

Scenario: Een inkoopafdeling wil bestelpatronen bij leveranciers analyseren om voorraadbeheer en leveranciersrelaties te optimaliseren. Door de tijd tussen opeenvolgende bestellingen bij dezelfde leverancier te meten, kunnen ze kansen herkennen om bestellingen te consolideren of optimale bestelfrequenties te handhaven.

Instellingen:

  • Groeperen op Attribuut: "Supplier_Name"
  • Nieuwe Attribuutnaam: "Days_Since_Last_Order"
  • Filter Zaken: Order_Status = "Approved" (afgekeurde of openstaande bestellingen uitsluiten)

Uitvoer:

De verrijking creëert:

  • Days_Since_Last_Order: Tijd in uren tussen bestellingen bij dezelfde leverancier (kan worden omgerekend naar dagen door te delen door 24)
  • Days_Since_Last_Order_CaseId: Zaak-ID van de vorige bestelling

Voorbeelddata:

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

Inzichten: Het bedrijf bestelt bij Acme Corp elke 3-7 dagen (72-168 uur), wat suggereert dat frequente kleine bestellingen mogelijk gebaat zijn bij consolidatie om verzendkosten te verlagen. Beta Supply vertoont intervallen van 17 dagen (408 uur), wat mogelijk optimaal is voor bulkbestellingen. De inkoopafdeling kan deze analyse gebruiken om volumekortingen te onderhandelen, bestelfrequenties te optimaliseren en gezonde leveranciersrelaties te onderhouden.

Voorbeeld 5: Beheer van IT Incidentresolutiewachtrij

Scenario: Een IT-afdeling wil analyseren hoe incidenten over technici worden verdeeld om werkbelasting in balans te houden en overbelasting te voorkomen. Door de tijd tussen opeenvolgende incidenttoewijzingen te meten, kunnen ze ongelijkheden in werkdruk signaleren en de ticketrouting optimaliseren.

Instellingen:

  • Groeperen op Attribuut: "Assigned_Technician"
  • Nieuwe Attribuutnaam: "Incident_Assignment_Interval"
  • Filter Zaken: Incident_Type != "Informational" (niet uitvoerbare tickets uitsluiten)

Uitvoer:

De verrijking creëert:

  • Incident_Assignment_Interval: Aantal uren tussen opeenvolgende incidenttoewijzingen aan dezelfde technicus
  • Incident_Assignment_Interval_CaseId: Zaak-ID van het vorige incident

Voorbeelddata:

Case ID Assigned_Technician Assignment_Time Severity Incident_Assignment_Interval Incident_Assignment_Interval_CaseId
INC-201 Tech_Alex 2024-01-15 08:00 Kritiek (null) (null)
INC-202 Tech_Alex 2024-01-15 08:45 Hoog 0.75 INC-201
INC-203 Tech_Jordan 2024-01-15 09:00 Midden (null) (null)
INC-204 Tech_Alex 2024-01-15 09:30 Kritiek 0.75 INC-202
INC-205 Tech_Jordan 2024-01-15 14:00 Laag 5.0 INC-203

Inzichten: Tech Alex ontvangt kritieke en hoog belangrijke incidenten elke 45 minuten (0,75 uur), wat kan wijzen op een overbelasting, terwijl Tech Jordan 5 uur tussen opdrachten heeft. De IT-manager kan deze data gebruiken om incidentrouting in balans te brengen, ervoor te zorgen dat kritieke incidenten snel aandacht krijgen zonder individuele technici te overbelasten, en zo de servicekwaliteit in het team te behouden.

Uitvoer

Wanneer deze verrijking wordt uitgevoerd, worden twee nieuwe zaakattributen aangemaakt voor uitgebreide temporele en relationele analyse:

Primair Duurattribuut ([Uw Specifieke Naam]):

  • Datatype: TimeSpan (weergave als decimale uren)
  • Eenheden: Duur in uren
  • Waarde: Verstreken tijd vanaf het startmoment van de vorige zaak tot het startmoment van de huidige zaak binnen dezelfde groep
  • Eerste Zaak in Groep: Null-waarde (er is geen vorige zaak in de groep)
  • Berekeningsmethode: Starttijd huidige zaak minus starttijd vorige zaak, chronologisch geordend binnen elke groep

Secundair Zaak-ID Attribuut ([Uw Specifieke Naam]_CaseId):

  • Datatype: String (tekst)
  • Waarde: Zaak-ID van de vorige zaak in dezelfde groep
  • Eerste Zaak in Groep: Null-waarde (er is geen vorige zaak)
  • Doel: Maakt het mogelijk om terug te traceren naar de specifieke vorige zaak voor gedetailleerde analyse of validatie

Uitleg van de Outputwaarden:

Voorbeelden van duurwaarden en hun betekenis:

  • 0.25 = 15 minuten sinds de vorige zaak in deze groep
  • 2.5 = 2 uur en 30 minuten sinds de vorige zaak
  • 24.0 = Exact één dag (24 uur) sinds de vorige zaak
  • 168.0 = Eén week (7 dagen) sinds de vorige zaak
  • null = Dit is de eerste zaak in de groep, of de zaak behoort tot geen enkele groep (als het groeperingsattribuut null is)

Belangrijk Groepeer Gedrag:

  • Zaken worden gegroepeerd op exacte overeenkomsten van de waarde van het "Groeperen op Attribuut"
  • Binnen elke groep worden zaken geordend op starttijd (vanaf vroegst naar laatst)
  • Elke zaak wordt alleen vergeleken met de direct voorgaande zaak in dezelfde groep
  • Zaken met null of lege waarden in het groeperingsattribuut worden niet meegenomen in groepsberekeningen
  • Indien een filter wordt toegepast, worden alleen zaken die voldoen aan het filter beschouwd bij het bepalen van de "vorige" zaak

Gebruik van de Output Attributen:

De nieuwe attributen kunnen breed worden ingezet binnen mindzieStudio voor krachtige analyses:

  • Prestatie Dashboards: Maak visualisaties die gemiddelde tijd tussen zaken per groep tonen, waarmee u ziet welke resources optimaal gebruikt worden versus welke te lang stilstaan
  • Zaakfiltering: Filter op zaken waarbij het interval te kort (mogelijk overbelasting) of te lang (onderbenutting) is, voor gerichte procesverbeteringen
  • Statistische Analyse: Bereken statistieken zoals gemiddelde, mediaan en standaarddeviatievan intervallen om variabiliteit in werkdrukverdeling te begrijpen
  • Variant Analyse: Vergelijk procesvarianten op basis van resourcegebruikpatronen en identificeer best practices
  • Knelpuntdetectie: Identificeer groepen (resources, afdelingen, locaties) met consequent lange intervallen, wat kan wijzen op capaciteitsbeperkingen of inefficiënties
  • Trendanalyse: Volg veranderingen in intervallen door de tijd om de impact van procesverbeteringen of werkdrukwisselingen te meten
  • Relationele Analyse: Gebruik het _CaseId attribuut om relaties tussen opeenvolgende zaken te creëren, wat diepere onderzoeks- of patroonanalyse mogelijk maakt

Integratie met Andere Verrijkingen:

Deze verrijking werkt bijzonder goed in combinatie met:

  • Categorize Attribute Values: Groepeer intervallen in categorieën zoals "Normaal", "Vertraagd", "Gehaast"
  • Duration Between Two Activities: Vergelijk intervallen tussen zaken met binnen-zaak duurmetingen voor een complete doorlooptijdanalyse
  • Count Activities: Correlateer zaakcomplexiteit (aantal activiteiten) met inter-zaak intervallen om ressourcecapaciteit te begrijpen
  • Representative Case Attribute: Haal attributen uit de vorige zaak via het _CaseId om kenmerken van opeenvolgende zaken te vergelijken

Zie Ook

Gerelateerde Tijdsanalyse Verrijkingen:

Gerelateerde Groepering en Analyse:

Procesanalyse Hulpmiddelen:

Deze documentatie maakt deel uit van het mindzie Studio process mining platform.