Gruptaki Önceki Vakaya Kadar Geçen Süre

Genel Bakış

Gruptaki Önceki Vakaya Kadar Geçen Süre enrichmanı, belirli bir grup veya kategori içindeki ardışık vakalar arasındaki geçen süreyi hesaplar. Vaka gruplaması, hasta kimliği, kaynak adı, makine kimliği veya departman gibi ortak bir öznitelik temelinde yapılır ve bu enrichman, bir vakadan bir sonraki vakaya başlamaya kadar geçen zaman aralığını ölçer. Bu güçlü zamansal analiz yeteneği, kuruluşların iş yükü desenlerini anlamalarına, kaynak kullanımındaki tıkanıklıkları tespit etmelerine ve geçen süreçteki işlem hacmini detaylı olarak ölçmelerine olanak sağlar.

Bu enrichman özellikle kuyruk süreleri, kaynak kullanılabilirliği ve operasyon temposunun analizinde değerlidir. Örneğin, sağlık hizmetlerinde aynı doktorun ardışık hasta ziyaretleri arasındaki süreyi ölçebilir, üretimde aynı makinedeki ardışık üretim süreçleri arasındaki süreyi takip edebilir veya müşteri hizmetlerinde aynı temsilci tarafından ele alınan vakalar arasındaki zaman aralığını analiz edebilirsiniz. Enrichman otomatik olarak iki yeni vaka özniteliği oluşturur: önceki vakaya kadar geçen zaman ve o önceki vakaya ait vaka kimliği, böylece hem zamansal hem de ilişkisel içgörüler sağlar.

Basit süre hesaplamalarının aksine, bu enrichman tek bir vakadaki zaman dilimlerini değil, birden fazla vaka arasındaki desenleri inceler ve iş akışınızın nasıl ilerlediğine dair kalıpları ortaya koyar. Kaynakların tam kapasite kullanılıp kullanılmadığını, aktiviteler arasındaki bekleme sürelerinin aşırı olup olmadığını ve iş yükü dağılımının gruplar veya kategoriler arasında nasıl değiştiğini gösterir.

Yaygın Kullanımlar

  • Sağlık Hizmetlerinde Kaynak Kullanımı: Aynı doktorun ardışık hasta randevuları arasındaki zamanı ölçerek planlama boşluklarını tespit etmek ve klinik verimliliğini artırmak
  • Üretimde Makine Verimliliği: Aynı ekipmandaki üretim süreçleri arasındaki aralıkları hesaplayarak makine kullanımını analiz etmek ve boşta kalma sürelerini tespit etmek
  • Müşteri Hizmetlerinde Kuyruk Analizi: Aynı destek temsilcisi tarafından ele alınan vakalar arasındaki süreyi izleyerek iş yükü dağılımını ve temsilci verimliliğini anlamak
  • BT Olay Yönetimi: Aynı teknisyene atanan biletler arasındaki aralıkları izleyerek iş yükünü dengelemek ve aşırı atamayı önlemek
  • Satın Alma Döngüsü Analizi: Aynı tedarikçiden alınan satın alma siparişleri arasındaki süreyi ölçerek sipariş sıklığını optimize etmek ve tedarikçi ilişkilerini sürdürmek
  • Bankacılık İşlem Desenleri: Aynı hesap veya müşteri için yapılan işlemler arasındaki aralıkları analiz ederek olağandışı desenleri veya dolandırıcılık göstergelerini tespit etmek
  • Depo Sipariş İşleme: Aynı konumdan yapılan ürün seçme işlemleri arasındaki zamanı hesaplayarak depo düzenini optimize etmek ve seyahat süresini azaltmak

Ayarlar

Grup Özniteliği Seçimi: Analiz için gruplama kategorinizi tanımlayan vaka özniteliğini seçin. Aynı değere sahip vakalar birlikte gruplanacaktır. Yaygın örnekler arasında kaynak isimleri ("Doktor", "Makine", "Temsilci"), departman tanımlayıcıları, konum kodları veya işin mantıksal olarak gruplanmasını temsil eden herhangi bir kategorik öznitelik bulunur. Enrichman, her vakanın başlangıç zamanından aynı grup içindeki önceki vakanın başlangıç zamanına kadar olan süreyi hesaplar.

Yeni Öznitelik Adı: Oluşturulacak yeni süre özniteliği için isim belirtin. Bu öznitelik, aynı grup içindeki mevcut vakanın başlangıç zamanıyla önceki vakanın başlangıç zamanı arasındaki zaman dilimini (saat cinsinden) içerir. Örneğin "Time_Since_Last_Patient" veya "Interval_Between_Orders" gibi ölçtüğünüz şeyi yansıtan açıklayıcı bir isim seçin. Ayrıca enrichman, seçtiğiniz ismin sonuna "_CaseId" ekleyerek önceki vakanın vaka kimliğini saklayan ikinci bir öznitelik otomatik olarak oluşturur.

Vaka Filtreleme (Opsiyonel): Hesaplamaya dahil edilecek vakaları sınırlamak için opsiyonel filtreler uygulayın. Bu, yalnızca belirli vaka türlerini analiz etmek veya bazı senaryoları hariç tutmak istediğinizde faydalıdır. Örneğin, yalnızca tamamlanmış vakaları dahil etmek, iptal edilen siparişleri hariç tutmak veya belirli bir zaman dilimine odaklanmak isteyebilirsiniz. Filtre kriterlerine uymayan vakalar gruplamaya veya süre hesaplamalarına dahil edilmez.

Örnekler

Örnek 1: Hasta Randevu Planlama Analizi

Senaryo: Bir sağlık kliniği, doktorların ardışık hasta randevuları arasındaki gerçek zaman aralıklarını anlayarak planlamayı optimize etmek istiyor. Doktorların hastalar arasında aşırı bekleme süreleri olup olmadığını veya randevuların çok sıkışık planlanıp hastaların birikmesine yol açıp açmadığını belirlemeleri gerekiyor.

Ayarlar:

  • Grup Özniteliği: "Physician_Name"
  • Yeni Öznitelik Adı: "Time_Since_Previous_Appointment"
  • Vaka Filtresi: Yok (tüm randevular analiz edilir)

Sonuç:

Enrichman iki yeni vaka özniteliği oluşturur:

  • Time_Since_Previous_Appointment: Aynı doktorun önceki hastasının randevu başlangıç zamanı ile mevcut randevunun başlangıç zamanı arasındaki saat cinsinden süreyi içerir
  • Time_Since_Previous_Appointment_CaseId: Önceki hasta randevusuna ait vaka kimliğini içerir

Örnek veri çıktı:

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

Kullanıcı İçgörüsü: Klinik, Dr. Smith için PT-003 ile PT-005 arasındaki 1.75 saatlik aralığın ya planlanmış bir mola olduğunu ya da randevu planlamasında bir verimsizlik bulunduğunu tespit edebilir. Tüm doktorlar için bu aralıklar analiz edilerek bekleme sürelerini azaltan ve hastaların her biri için yeterli zaman ayrılan planlama şablonları oluşturulabilir.

Örnek 2: Üretimde Makine Kullanımı

Senaryo: Bir üretim tesisi, her makinedeki ardışık üretim süreçleri arasındaki süreyi ölçerek ekipman kullanımı hakkında bilgi edinmek istiyor. Bu, az kullanılan makineleri tespit etmek ve üretim programını optimize ederek işlem hacmini artırmak için faydalı.

Ayarlar:

  • Grup Özniteliği: "Machine_ID"
  • Yeni Öznitelik Adı: "Machine_Idle_Time"
  • Vaka Filtresi: Production_Status = "Completed" (iptal veya başarısız süreçler hariç)

Sonuç:

Enrichman oluşturur:

  • Machine_Idle_Time: Aynı makinedeki ardışık üretim başlangıçları arasındaki saat cinsinden süre
  • Machine_Idle_Time_CaseId: Önceki üretim sürecinin vaka kimliği

Örnek veri:

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

Kullanıcı İçgörüsü: MCH-A02 makinesi, RUN-103 ile RUN-105 arasında 8 saat boşta kalmış, bu önemli bir alt kullanım veya bakım ihtiyacı gösterebilir. MCH-A01 daha tutarlı bir kullanım gösteriyor (2.5 ile 3.5 saat arası). Tesis yöneticileri bu verileri kullanarak üretim programlarını dengeleyebilir, ilave kapasite fırsatlarını belirleyebilir veya neden bazı makinelerin aşırı boşta kaldığını araştırabilir.

Örnek 3: Müşteri Hizmetleri Temsilcisi İş Yükü Analizi

Senaryo: Bir müşteri hizmetleri merkezi, her temsilciye atanan ardışık vakalar arasındaki süreyi ölçerek iş yükü dağılımını analiz etmek istiyor. Bu, bazı temsilcilerin aşırı yüklü olup olmadığını veya diğerlerinin kapasite sahibi olup olmadığını tespit etmeye yardımcı olur ve vaka yönlendirmelerini iyileştirir.

Ayarlar:

  • Grup Özniteliği: "Assigned_Agent"
  • Yeni Öznitelik Adı: "Time_Between_Cases"
  • Vaka Filtresi: Case_Type = "Support Ticket" (dahili görevler hariç)

Sonuç:

Enrichman oluşturur:

  • Time_Between_Cases: Aynı temsilciye ardışık olarak atanan vakalar arasındaki saat cinsinden süre
  • Time_Between_Cases_CaseId: Aynı temsilcinin önceki vaka kimliği

Örnek veri:

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

Kullanıcı İçgörüsü: Temsilci Sarah her 15 dakikada (0.25 saat) yeni vaka alırken, Temsilci Mike vakalar arasında yaklaşık 2 saatlik boşluğa sahip, bu da kapasitesi olduğunu gösteriyor. Hizmet merkezi, bu veriyi kullanarak vaka atamalarını yeniden dengeler ve adil iş yükü dağılımı ile optimal yanıt süreleri sağlar.

Örnek 4: Tedarikçi Sipariş Sıklığı Analizi

Senaryo: Satın alma departmanı, tedarikçilerle sipariş verme desenlerini analiz ederek stok yönetimi ve tedarikçi ilişkilerini optimize etmek istiyor. Aynı tedarikçiye verilen ardışık satın alma siparişleri arasındaki zamanı ölçerek siparişleri konsolide etme veya optimal sıklıkta sipariş verme fırsatlarını belirleyebilirler.

Ayarlar:

  • Grup Özniteliği: "Supplier_Name"
  • Yeni Öznitelik Adı: "Days_Since_Last_Order"
  • Vaka Filtresi: Order_Status = "Approved" (reddedilen veya bekleyen siparişler hariç)

Sonuç:

Enrichman oluşturur:

  • Days_Since_Last_Order: Aynı tedarikçiye verilen satın alma siparişleri arasındaki saat cinsinden süre (gün cinsine çevirmek için 24’e bölünebilir)
  • Days_Since_Last_Order_CaseId: Önceki satın alma siparişi vaka kimliği

Örnek veri:

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

Kullanıcı İçgörüsü: Firma, Acme Corp’ dan her 3-7 günde (72-168 saat) sipariş veriyor ve bu küçük ancak sık siparişlerin konsolidasyonu ile nakliye maliyetlerinin azaltılabileceğini gösteriyor. Beta Supply ise 17 günlük aralıklarla (408 saat) sipariş veriyor ve bu toplu sipariş için optimal olabilir. Satın alma bu analizle hacim indirimleri pazarlayabilir, sipariş sıklığını optimize edebilir ve sağlıklı tedarikçi ilişkileri sürdürebilir.

Örnek 5: BT Olay Çözüm Kuyruk Yönetimi

Senaryo: Bir BT departmanı, olayların teknisyenler arasında dengeli dağılıp dağılmadığını analiz etmek istiyor. Ardışık olay atamaları arasındaki süreyi ölçerek iş yükü dengesizliklerini tespit eder ve bilet yönlendirmelerini optimize ederler.

Ayarlar:

  • Grup Özniteliği: "Assigned_Technician"
  • Yeni Öznitelik Adı: "Incident_Assignment_Interval"
  • Vaka Filtresi: Incident_Type != "Informational" (eylemsiz biletler hariç)

Sonuç:

Enrichman oluşturur:

  • Incident_Assignment_Interval: Aynı teknisyene ardışık olay atamaları arasındaki saat cinsinden süre
  • Incident_Assignment_Interval_CaseId: Önceki olayın vaka kimliği

Örnek veri:

Case ID Assigned_Technician Assignment_Time Severity Incident_Assignment_Interval Incident_Assignment_Interval_CaseId
INC-201 Tech_Alex 2024-01-15 08:00 Critical (null) (null)
INC-202 Tech_Alex 2024-01-15 08:45 High 0.75 INC-201
INC-203 Tech_Jordan 2024-01-15 09:00 Medium (null) (null)
INC-204 Tech_Alex 2024-01-15 09:30 Critical 0.75 INC-202
INC-205 Tech_Jordan 2024-01-15 14:00 Low 5.0 INC-203

Kullanıcı İçgörüsü: Tech Alex, kritik ve yüksek öncelikli olayları her 45 dakikada (0.75 saat) alırken, Tech Jordan atamalar arasında 5 saat boşluk bırakıyor. BT yöneticisi, olay yönlendirmelerini dengelemek, kritik olaylara hızlı yanıt verilmesini sağlamak ve takımın hizmet kalitesini korumak için bu veriyi kullanabilir.

Çıktı

Bu enrichman çalıştırıldığında, kapsamlı zamansal ve ilişkisel analiz için iki yeni vaka özniteliği oluşturulur:

Birincil Süre Özniteliği ([Belirttiğiniz İsim]):

  • Veri Türü: TimeSpan (ondalık saat olarak gösterilir)
  • Birimler: Saat cinsinden süre
  • Değer: Aynı grup içindeki önceki vakanın başlangıç zamanından mevcut vakanın başlangıç zamanına geçen süre
  • Grubun İlk Vakası: Null (grupta önceki vaka yok)
  • Hesaplama Yöntemi: Her grup içinde vakalar kronolojik olarak sıralanır, mevcut vakanın başlama zamanı eksi önceki vakanın başlama zamanı

İkincil Vaka Kimliği Özniteliği ([Belirttiğiniz İsim]_CaseId):

  • Veri Türü: Metin (string)
  • Değer: Aynı grup içindeki önceki vakanın vaka kimliği
  • Grubun İlk Vakası: Null (önceki vaka yok)
  • Amaç: Belirli önceki vakaya dönük ayrıntılı analiz veya doğrulama için izlemeyi sağlar

Çıktı Değerlerinin Anlamı:

Aşağıdaki süre örnekleri ve anlamları:

  • 0.25 = Bu grupta önceki vakadan beri 15 dakika geçti
  • 2.5 = Önceki vakadan beri 2 saat 30 dakika geçti
  • 24.0 = Tam olarak bir gün (24 saat) geçti
  • 168.0 = Bir hafta (7 gün) geçti
  • null = Bu gruptaki ilk vaka veya vaka herhangi bir gruba ait değil (gruplama özniteliği null ise)

Önemli Gruplama Davranışları:

  • Vakalar "Grup Özniteliği" değerleri tam olarak eşleşmesine göre gruplanır
  • Her grup içinde vakalar başlangıç zamanına göre (en eskiden en yeniye) sıralanır
  • Her vaka yalnızca aynı grubun hemen önceki vakası ile karşılaştırılır
  • Grubun özniteliğinde null veya boş değer olan vakalar grup hesaplamalarına dahil edilmez
  • Filtre uygulandığında, "önceki" vaka belirlenirken sadece filtre kriterine uyan vakalar dikkate alınır

Çıktı Özniteliklerinin Kullanımı:

Yeni öznitelikler mindzieStudio genelinde güçlü analizler için kullanılabilir:

  • Performans Panoları: Grup bazında vakalar arasındaki ortalama süreleri gösteren görselleştirmeler oluşturarak optimal kullanım ve boşta kalma sürelerini belirleme
  • Vaka Filtreleme: Aralıkları çok kısa (yük fazlası) veya çok uzun (az kullanım) olan vakaları filtreleyerek hedefe yönelik süreç geliştirme
  • İstatistiksel Analiz: Ortalama, medyan ve standart sapma gibi istatistiklerle iş yükü dağılımındaki değişkenliği anlama
  • Varyant Analizi: Kaynak kullanımı desenlerine göre süreç varyantlarını karşılaştırma ve en iyi uygulamaları belirleme
  • Tıkanıklık Tespiti: Sürekli uzun aralıklara sahip grupları (kaynaklar, departmanlar, lokasyonlar) bularak kapasite kısıtlamaları veya verimsizlik göstergeleri tespit etme
  • Trend Analizi: Sürelerin zamanla nasıl değiştiğini takip ederek süreç iyileştirmelerinin veya iş yükü değişikliklerinin etkisini ölçme
  • İlişkisel Analiz: _CaseId özniteliği ile ardışık vakalar arasında ilişki kurarak desenlerin veya anormalliklerin derinlemesine incelenmesini sağlama

Diğer Enrichmanlar ile Entegrasyon:

Bu enrichman özellikle şu enrichmanlarla birlikte iyi çalışır:

  • Categorize Attribute Values: Aralıkları "Normal", "Gecikmeli", "Aceleli" gibi kategorilere ayırmak için
  • Duration Between Two Activities: Vaka içi sürelerle vaka arası süreleri karşılaştırarak kapsamlı çevrim zamanı analizi yapmak için
  • Count Activities: Aktivite sayısı (vaka karmaşıklığı) ile vaka arası aralıkları ilişkilendirerek kaynak kapasitesini anlamak için
  • Representative Case Attribute: _CaseId kullanarak önceki vakadan öznitelik çekip ardışık vakaların karakteristiklerini karşılaştırmak için

Ayrıca Bakınız

İlgili Zaman Analizi Enrichmanları:

İlgili Gruplama ve Analiz:

Süreç Analiz Araçları:

Bu dokümantasyon mindzie Studio süreç madenciliği platformunun bir parçasıdır.