Effizientere Prozesse mit Process Mining – technische Grundlage mit Accumulating Snapshot Fact Tables schaffen

Prozesse

Prozesse besser verstehen und Potenziale erkennen

Stellen Sie Ihre Prozesse auf den Prüfstand. Um Prozesse besser zu verstehen, ist es wichtig, die Kennzahlen für Ihre Prozesse zu ermitteln:

  • Wie lange dauert ein Prozess?
  • Wo gibt es länge Liegezeiten?
  • Warum gibt es die Liegezeiten?
  • Wie kann ich optimieren?

In diesem Beitrag möchten wir Ihnen den Einsatz von Accumulating Snapshot Fact Tables erläutern, die eine technische Grundlage für das Prozess Mining sein können – mit dem sie die oben aufgeführten Fragen klären können

Nutzen

Die Tabelle bietet einen enormen Vorteil für die Ermittlung von Verbesserungspotenzialen innerhalb von Prozessen. Sie ermöglicht eine schnelle erste Analyse des Prozesses mit folgenden Fragestellungen:

  • Wie lange dauert ein Prozess oder ein Prozessschritt im Durchschnitt?
  • Wie hoch ist die Standardabweichung der Dauer?

Darüber hinaus lässt sich erkennen, welcher Prozessschritt am längsten gedauert hat, oder welche Prozesse erfolgreich durchgeführt wurden und welche gescheitert sind.

Auf dieser Basis können weitere Analysen durchgeführt werden, beispielsweise zu folgenden Fragestellungen:

  1. Gibt es eine bestimmte Kategorie von Prozessen, die häufig fehlschlägt?
  2. Gibt es einen bestimmten Prozessschritt, der besonders lange dauert?
  3. Wenn ja, warum? Und wieso können andere Schritte „schneller“ durchgeführt werden?
  4. Usw.

Solche Konstrukte werden z. B. auch innerhalb des Machine Learning für Process Mining eingesetzt.

Voraussetzung

  • Alle relevanten Prozessstatus/Prozessschritte müssen vor der Implementierung der Tabelle bekannt sein.
  • Eine Änderung kann unter Umständen recht komplex ausfallen, wenn z. B. ein neuer Prozessschritt eingeführt wird, der getrackt/geprüft werden soll.
  • Häufig sind die einzelnen Prozessschritte an die Berechnung vieler unterschiedlicher Werte gekoppelt. Das impliziert eine komplexe Abfrage-/Aufbaulogik, die schwieriger zu warten ist als z. B. bei einfachen FACT-Tables, die laut Definition keine, aber in der Realität eher wenige Updates erhalten.
  • Das Handling in Kombination mit Zeitdimension ist schwierig, da fachlich mehrere Zeitstempel gültig sind.
  • Die noch nicht erfolgten Prozessschritte enthalten einen NULL Value oder einen zu definierenden Default, was im ersten Fall zu Performanceproblemen im OLAP-Bereich führen kann und im zweiten Fall das Handling weiter verkompliziert.

Beispiel

Als Beispiel nehmen wir eine fiktive DM.FAS_Projekt (FAS = Fact Accumulated Snapshot). Wir möchten die vier Prozessschritte „Project Pitched“, „In Progress“, „Declined“, „Closed“ tracken, sowie nach dem Kriterium auswerten, ob ein Projekt erfolgreich abgeschlossen wurde oder nicht. Daraus ergibt sich folgende Tabelle:

Process Table

Praxistipp von dinext.

Wir als dinext setzen solche Tabellen häufig als Dimension ein um SCD-II (slowly changing dimensions) im Beladen der Tabellen anwenden zu können. Die wohl wichtigste Frage ist dabei innerhalb eines Data Marts: Welche Analysen möchte ich nutzen?

  • Möchte ich Prozesse analysieren?
    • Dann könnte eine Accumulating Snapshot Fact Table definitiv einfache Data Marts, ohne oder unter wenig Einbezug von Zeit-Dimensionen hilfreich sein (es gibt mehrere Zeitbezüge je Prozessschritt).
  • Möchte ich eher Zeitreihenanalysen machen?
    • Ich möchte sehen, wie viele Projekte in den letzten 12 Monaten je Monat „Pitched“, „In Progress“ oder „Closed“ waren.
    • Hier hilft (unter Einbezug der Dimension Zeit) das einfache Handling der Zeitzuordnung mittels ValidFrom und ValidTo häufig enorm. Der gültige Eintrag für ein Projekt ist zu jedem Zeitpunkt, mittels ValidFrom und ValidTo, einfach zuordenbar.
  • Möchte ich beides tun?
    • Dann kommt man am Einsatz von beiden Lösungen wahrscheinlich nicht vorbei.
    • Andernfalls müsste man immer, für die jeweils andere Nutzung als die des komfortablen Einsatzes, eine komplexere und schwieriger wartbare Abfragelogik anwenden.

Das obige Beispiel gibt Ihnen einen kleinen Einblick in das spannende und komplexe Thema Process Mining. Möchten Sie mehr erfahren?

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.