Process mining staat volop in de belangstelling. Enerzijds is het een uitdagend onderzoeksgebied,

Process mining biedt nieuwe mogelijkheden Geef informatiesystemen Tom- Tom-functionaliteit Wil van der Aalst De meeste informatiesystemen die wij dagelijks op het werk gebruiken, schieten op vele punten tekort in vergelijking met moderne navigatiesystemen. Het ontbreekt bijvoorbeeld aan goede landkaarten die laten zien hoe de bedrijfsprocessen echt verlopen en hoe de organisatie feitelijk opereert. De meeste informatiesystemen geven evenmin filewaarschuwingen, laat staan voorspellingen en aanwijzingen. Gelukkig kunnen recente doorbraken op het gebied van process mining helpen bij het realiseren van een dergelijke TomTom -functionaliteit. Prof. dr. ir. W. van der Aalst is hoogleraar Informatiesystemen verbonden aan de Technische Universiteit Eindhoven. Daarnaast heeft hij een aanstelling aan de Queensland University of Technology in Australië. Van der Aalst heeft talloze artikelen geschreven op het gebied van business process management, workflowmanagement, process mining, simulatie, verificatie, en services. Hij wordt wereldwijd gezien als een autoriteit op deze gebieden. Zijn werk heeft veel invloed en wordt vaak geciteerd. Volgens Google Scholar heeft hij een H- index van 65. Op basis van deze index is hij op dit moment de meest invloedrijke Nederlandse informaticus. w.m.p.v.d.aalst@tue.nl www.vdaalst.com. Process mining staat volop in de belangstelling. Enerzijds is het een uitdagend onderzoeksgebied, waarbij procesmodelleren en -analyse worden gecombineerd met data-miningtechnieken. Anderzijds is er binnen organisaties een grote behoefte om processen automatisch in kaart te kunnen brengen, en tegelijk suggesties voor procesverbetering te genereren. Organisaties als Gartner zien process mining als een belangrijk instrument om bedrijven te helpen hun processen te verbeteren. Ook leveranciers van business process management (BPM) en business intelligence (BI) bieden steeds vaker process-miningfunctionaliteiten aan. Om de relevantie van process mining goed in te schatten, is het van belang te beseffen dat de hedendaagse informatiesystemen vaak ook grote hoeveelheden gebeurtenissen registreren. In een ERP-systeem als SAP R/3 worden bijvoorbeeld alle activiteiten rond inkoop, verkoop, distributie, planning, enzovoort vastgelegd. In het informatiesysteem van een gemeente wordt geregistreerd wanneer bepaalde aanvragen binnengekomen zijn, wanneer zij behandeld worden, welke beslissingen er zijn genomen en wanneer. In een ziekenhuis worden allerlei gebeurtenissen in het diagnose- en behandeltraject van een patiënt geregistreerd: afspraken met specialisten, bloedproeven, röntgenfoto s, medicijnverstrekking en operaties. Deze zogenoemde events worden gelogd op het moment dat activiteiten worden uitgevoerd. Een event is een gebeurtenis die overeenkomt met een bepaalde actie of handeling. In de context van informatiesystemen wordt ook wel gesproken over (database)transacties of audit trail entries (gegevens die een latere audit mogelijk maken). www.kluwermanagement.nl

Event logs Startpunt voor process mining zijn de zogenoemde event logs de automatisch gegenereerde logboeken waarin alle acties worden vastgelegd. Op basis van die event logs kan moderne process-miningtechnologie uit de gegevens ook automatisch procesmodellen afleiden. Deze geven dus weer wat er werkelijk binnen organisaties gebeurt en hoe. In plaats van een geïdealiseerde weergave van de werkelijkheid, laat process mining de echte processen zien. Op deze manier is eenvoudig te monitoren waar eventueel knelpunten en afwijkingen zitten. Deze informatie kan weer gebruikt worden om de processen anders in te richten, om betere informatiesystemen te bouwen, en zo uiteindelijk de organisatie beter aan te sturen. Om een en ander te illustreren vergelijken we in dit artikel eerst de functionaliteit van een typisch bedrijfsinformatiesysteem met de functionaliteit van een typisch navigatiesysteem. Deze vergelijking laat meteen zien dat in de meeste organisaties een fatsoenlijke landkaart ontbreekt, dat file-informatie zelden op tijd gegeven wordt, dat de aankomsttijd onbekend is en dat afwijken van de standaardroutes onmogelijk is. Daarom ons pleidooi voor TomTomfunctionaliteit in informatiesystemen, ten behoeve van betere bedrijfsprocessen. Veel van deze functionaliteit kan worden gerealiseerd met de genoemde moderne process-miningtechnieken. Procesnavigatie In korte tijd hebben navigatiesystemen zoals TomTom hun weg gevonden naar de autobezitter. Het is verbazingwekkend hoe snel mensen gewend zijn geraakt aan deze functionaliteit, zelfs niet meer zonder zouden kunnen. Omdat er vaak vergelijkingen worden gemaakt tussen verkeersstromen op de weg en werkstromen in grote organisaties, is het interessant de functionaliteit van een typisch bedrijfsinformatiesysteem te vergelijken met die van een navigatiesysteem. Hierbij valt een aantal zaken op: 1. In veel gevallen ontbreekt een goede kaart. Ondanks het feit dat organisaties veel tijd investeren in het documenteren van de bedrijfsprocessen, zijn de resulterende procesmodellen vaak van bedroevende kwaliteit. De processchema s hebben weinig te maken met de echte processen. Men spreekt daarom ook wel van een PowerPoint-werkelijkheid. 2. Het is onmogelijk traploos in en uit te zoomen. Procesmodellen zijn vaak statische schema s, vergelijkbaar met een klassieke landkaart. Vaak heeft het model te veel of te weinig detail. In een modern navigatiesysteem kun je in- en uitzoomen en kun je de visualisatie aanpassen op basis van voorkeuren en doelen. Zo kunnen bijvoorbeeld garages, tankstations en hotels op verzoek worden weergegeven. 3. Als er al een elektronische kaart bestaat, is deze vaak onnodig dwingend. Workflowmanagementsystemen worden gedreven door gedetailleerde en zeer precieze processchema s. Het probleem daarmee is echter dat zij ook een specifieke procesgang afdwingen. Te vergelijken met een navigatiesysteem dat de uiteindelijke keuze niet aan de gebruiker laat en de bestuurder bijvoorbeeld dwingt een afgesloten straat in te rijden. Soms willen medewerkers om goede redenen afwijken van de normale route en moet het systeem dit ook kunnen toestaan. 4. De kaart laat geen file-informatie zien. Procesmodellen zijn vaak papieren tijgers. Ze komen alleen tot leven als er actuele informatie op geprojecteerd wordt. Zo is het buitengewoon nuttig een kaart te zien met file-informatie. Waar in een traditionele fabriek de knelpunten duidelijk zichtbaar zijn, worden in moderne bedrijfsinformatiesystemen deze files echter vaak onzichtbaar gemaakt. 5. De route kan niet worden herberekend. Ook als er duidelijke verstoringen optreden (bijvoorbeeld lange files) en gebruikers proberen om te rijden, blijven informatiesystemen www.kluwermanagement.nl 2

meestal stoïcijns het oorspronkelijke procesmodel volgen. Bedrijfsprocessen zijn echter vaak uitermate dynamisch, en het zou beter zijn als de informatiesystemen hierop konden inspelen. 6. De aankomsttijd en locatie zijn onbekend. Op elk moment geeft het navigatiesysteem aan wat de nog af te leggen afstand is en wat de verwachte aankomsttijd is. Ook deze functionaliteit ontbreekt in de huidige generatie bedrijfsinformatiesystemen. Vaak is er weinig inzicht in hoelang zaken al in het systeem zitten en wanneer ze verwacht worden klaar te zijn. Soms is zelfs onduidelijk waar in het proces een concreet geval zit; er is voor de objecten geen gps-informatie beschikbaar. Informatiesystemen zijn dus erg beperkt als het gaat om hun TomTom-functionaliteit. Maar business intelligence dan? usiness intelligence (BI) is een kreet die leveranciers gebruiken om te verwijzen naar software die je kunt gebruiken om gegevens over operationele bedrijfsprocessen te verzamelen en deze vervolgens te analyseren. Het doel van BI-software is om meer kennis en inzicht te verkrijgen, die kan worden gebruikt om de processen beter te besturen en in te richten. De focus ligt hierbij vaak op performance-indicatoren die betrekking hebben op kosten, doorlooptijden, serviceniveaus en bezettingsgraden. De I in BI suggereert dat deze systemen intelligent zijn. Niets is minder waar. Vaak gaat het om vrij triviale analyses van gestructureerde data. Maar veel processen zelf zijn lastig te karakteriseren in termen van de performanceindicatoren, omdat de dynamische werkelijkheid van het proces niet te vangen is in een paar getallen over de uitkomst ervan. De BI-tools zijn qualitate qua gebouwd op systemen met gestructureerde processen en gegevens, waarin geen afwijkingen mogelijk zijn. Neem bijvoorbeeld de behandeling van hartpatiënten in een ziekenhuis. Met behulp van de huidige generatie BI-tools is het mogelijk om vast te stellen wat het aantal operaties is geweest in een bepaalde periode en hoelang de gemiddelde behandeling van de patiënten na de operatie heeft geduurd. Ook is het mogelijk om één individuele patiënt te volgen. Helaas is het niet mogelijk om af te leiden hoe de betreffende processen daadwerkelijk verliepen, laat staan waar en waarom er afwijkingen en knelpunten ontstonden. De werkelijkheid wordt weliswaar gevangen in getallen, maar zonder dat het echte onderliggende proces adequaat zichtbaar wordt gemaakt. De managementdashboards van BI-systemen laten meters en grafieken zien, en de meer geavanceerde gereedschappen beelden soms zelfs performance-indicatoren af op het vooraf ingeprogrammeerde procesmodel dat niet noodzakelijk de werkelijkheid hoeft weer te geven. Vaak laten die ontworpen procesmodellen een sterk geïdealiseerde wereld zien, waardoor de daadwerkelijke verbeterpunten verborgen blijven. Drie soorten process mining Uitgangspunt voor process mining zijn dus de event logs. Deze logboeken kunnen worden gegenereerd uit informatiesystemen die op de een of andere wijze alle betreffende activiteiten registreren. Pakketten als die voor enterprise resource planning (ERP)-, customer relationship management (CRM)-, product data management (PDM)- en workflowmanagement (WfM)-systemen bieden standaard een dergelijke event-logfunctionaliteit. Ook andere systemen hebben steeds vaker een ingebouwde loggingfunctionaliteit. Complexe professionele systemen, zoals medische apparatuur (bijvoorbeeld de röntgensystemen van Philips), high-end kopieermachines, lithografiesystemen (bijvoorbeeld de wafer steppers van ASML) zijn ook in staat alle handelingen in het systeem te registreren en te distribueren via internet. www.kluwermanagement.nl 3

Het toenemende gebruik van webservices (op internet blijft bijna niets verborgen!) leidt eveneens tot steeds meer en betere event logs. Door bijvoorbeeld SOAP-messages (Simple Object Access Protocol, voor het delen van gestructureerde gegevens via webservices) te volgen, kan de communicatie tussen partijen in een SOA (service-oriented architecture) helemaal in kaart worden gebracht. Het is evident dat de definitieve doorbraak van RFID (Radio Frequency Identification) gaat leiden tot grote stromen events, die allemaal vastgelegd zullen worden. 1. Drie soorten process mining: discovery, conformance en extension Wereld bedrijfsprocessen mensen middelen organisaties besturing/ondersteuning Informatiesysteem analyse inzicht specificatie configuratie analyse registratie van events in audit trails, databases enz. Procesmodel discovery conformance extension Event logs Zoals aangegeven in figuur 1 onderscheiden we drie soorten process mining, die op de resulterende logboeken kunnen worden uitgevoerd: discovery, conformance en extension. Discovery Process-miningtechnieken gericht op discovery leiden automatisch modellen af uit de event logs. Uit de ruwe informatie (eerst kwam actie a, daarna actie b, dan splitsing, actie c of d, enz.) kunnen bijvoorbeeld procesmodellen worden gedestilleerd die weergeven wat er daadwerkelijk heeft plaatsgevonden. Het is dus niet de analist die vooraf een (veelal subjectief) model van de werkelijkheid maakt. In plaats daarvan wordt het event log onderzocht op mogelijke verbanden tussen acties, waarna de gevonden verbanden worden samengevat in een grafisch model (bijvoorbeeld een Petrinet-achtige notatie, zoals gebruikt in tools als Protos, COSA en YAWL of de EPC-notatie (Event-Driven Process Chain) gebruikt in tools als ARIS en SAP R/3). De discoverytechnieken beperken zich niet tot het procesaspect (dat wil zeggen de volgorde van activiteiten). Als events ook informatie bevatten over resources (wie heeft de activiteit www.kluwermanagement.nl 4

uitgevoerd en welke middelen zijn hierbij gebruikt), data (wat waren de karakteristieke kenmerken), tijd (wanneer vond de activiteit plaats), kunnen ook andere aspecten onthuld en beschreven worden. Het is bijvoorbeeld mogelijk om op basis van event logs een zogenoemd sociaal netwerk af te leiden: wie doet vooral dit soort werk (of maakt vooral dat soort fouten!) in dit systeem, met wie werkt zij nauw samen? In een sociaal netwerk worden de personen en/of organisatieonderdelen weergegeven met hun onderlinge relaties. Hierdoor wordt het mogelijk weer te geven dat sommige individuen of afdelingen een centrale plaats innemen in de organisatieprocessen (of juist niet) en dat er veel of weinig werk van de ene naar de andere afdeling stroomt. Conformance Een tweede categorie process-miningtechnieken is gericht op conformance. Het doel is objectief te toetsen of de werkelijkheid overeenkomt met de verwachting of vooraf opgestelde eisen (via de audit trail). Conformance checking kan zo helpen om compliance en nieuwe regelgeving zoals Sarbanes-Oxley (SOx) te concretiseren. Schandalen binnen organisaties als WorldCom, Enron, AOL, Tyco en Qwest laten zien dat de werkelijke procesgang sterk kan afwijken van veronderstelde processen. Binnen veel organisaties bestaan dergelijke procesbeschrijvingen, die weergeven hoe processen uitgevoerd (dienen te) worden. Deze procesmodellen worden vaak gemaakt met eenvoudige tekentools zoals Visio, of met meer geavanceerde gereedschappen zoals Protos en ARIS. Er is echter geen enkele garantie dat de werkelijke processen ook daadwerkelijk deze modellen volgen. In veel gevallen beschrijven procesmodellen een geïdealiseerde of theoretische optimale werkelijkheid, die ver afstaat van de dagelijkse realiteit. Daarom is het zinvol om op basis van event logs deze modellen te toetsen. Process-miningtechnieken kunnen aangeven hoe goed de fit tussen realiteit en model is en kunnen ook weergeven waar in het proces de belangrijkste afwijkingen plaatsvinden. Vervolgens kunnen de gevallen die afwijken verder worden onderzocht met de eerdergenoemde discoverytechnieken. Het wordt ook mogelijk zogenoemde business rules te toetsen. Het is bijvoorbeeld interessant te weten in hoeveel procent van de gevallen een business rule daadwerkelijk wordt gevolgd. Extension De laatste categorie, extension process mining, pakt een al bestaand model en vult dit aan met gegevens uit het event log. Het initiële model kan met de hand gemaakt zijn, maar kan ook vastgesteld zijn op basis van process mining. Een voorbeeld is het projecteren van knelpunten op een procesmodel op basis van in het log geregistreerde tijdstempels. Ook kan op basis van gegevens in het log worden bepaald wanneer er een bepaald pad in het procesmodel wordt gevolgd. Door middel van klassieke data-miningtechnieken kan dan bijvoorbeeld ontdekt worden dat een bepaalde categorie klanten vaak een bepaalde tak van het proces doorloopt (bijvoorbeeld steeds dezelfde fout maakt bij internetbankieren). Het ultieme doel van process mining is een procesmodel te creëren dat goed overeenkomt met de werkelijkheid en dat alle aspecten afdekt (activiteiten, resources, tijd, data, alternatieve deelprocessen enzovoort). De weerbarstige werkelijkheid Aan de Technische Universiteit Eindhoven wordt sinds 2000 volop onderzoek gedaan naar process mining. Daarvoor lag de nadruk sterk op het (vooraf) modelleren van processen voor workflowsystemen, en op de analyse van bedrijfsprocessen door middel van simulatie. Door de ervaringen met simulatie en workflowsystemen werd echter steeds duidelijker dat er www.kluwermanagement.nl 5

meestal een grote discrepantie is tussen model en werkelijkheid. Helaas hebben de meeste consultants en leveranciers daarna vooral aandacht besteed aan (her)ontwerp, en wordt er te weinig energie besteed aan een gedegen analyse van de werkelijkheid, waarin uitzonderingen vaak de regel zijn. Dit wordt bijvoorbeeld duidelijk in simulatiestudies, waarin vaak aan parameterwaarden moet worden gesleuteld om doorlooptijden te laten overeenkomen met de werkelijkheid. Ook het falen van veel workflowprojecten kan worden verklaard door naïeve procesmodellen. Ervaringen met de analyse van patiëntenstromen in ziekenhuizen laten bijvoorbeeld zien dat zelfs voor homogene groepen patiënten de processen minder structuur hebben dan verwacht. Terwijl het DBC (DiagnoseBehandelCombinatie)-concept het mogelijk maakt patiënten te volgen, en dus process mining mogelijk maakt, kent het proces bijzonder veel variatie. Omgaan met deze variatie is de sleutel tot procesverbetering. Bovendien hebben de betrokken partijen niet zelden uiteenlopende beelden van het proces. Managers zijn vaak niet op de hoogte van de feitelijke procesgang ( helikopterview ) en uitvoerenden zien vaak maar een beperkt deel van het proces ( tunnelvisie ). Die sterk vertekende beelden leiden tot systemen die in de praktijk onbruikbaar zijn en tot gemiste kansen om de processen te verbeteren. Zoals eerder aangegeven schieten de klassieke BI-tools hier tekort, doordat ze ook uitgaan van een geïdealiseerde en sterk versimpelde werkelijkheid. Performance-indicatoren op een sterk geaggregeerd niveau zullen ziekenhuizen bijvoorbeeld niet helpen bij het in kaart brengen van en grip krijgen op patiëntenstromen. Voorbeeld Gedreven door de geschetste problemen werkt een team van onderzoekers aan de Technische Universiteit Eindhoven aan de ontwikkeling van ProM. ProM is een raamwerk, waarbinnen gereedschappen zijn ontwikkeld die de eerdergenoemde vormen van process mining ondersteunen. Er zijn bijvoorbeeld meer dan twintig verschillende discoverytechnieken ontwikkeld. Om een indruk te geven van de mogelijkheden kijken we naar een proces van een niet nader te noemen gemeente in het kader van de Wet Maatschappelijke Ondersteuning (WMO). Uitgangspunt is een event log met informatie over 796 aanvragen voor ondersteuning. In totaal bevat de log 5187 events, geregistreerd over een periode van anderhalf jaar. 2. Helikopterview van het WMO-proces www.kluwermanagement.nl 6

Figuur 2 laat een overzicht zien van alle 5187 events in de log. Elke horizontale lijn komt overeen met één WMO-aanvraag. Elk punt op een dergelijke lijn komt overeen met een activiteit uitgevoerd voor de desbetreffende aanvraag. De kleur geeft aan om wat voor soort activiteit het gaat. Bijvoorbeeld het registreren van een aanvraag komt overeen met een blauw punt. Rapportages en beschikkingen zijn paars. De horizontale as geeft de tijd weer (van januari 2007 tot augustus 2008). Merk op dat er enkele horizontale strepen te zien zijn. Deze maken duidelijk dat de gemeente bepaalde processtappen in batch uitvoert, dus op bepaalde dagen voor meerdere aanvragers tegelijk. Het kan dus zijn dat aanvragen eerst weken of zelfs maanden op de volgende processtap wachten, en dan in een kort tijdsbestek allemaal behandeld worden. 3. Procesmodel ontdekt door middel van een genetisch algoritme De event log van de gemeente bevat verder geen informatie over het proces zelf. Toch kunnen process-miningtechnieken hier prima een procesmodel afleiden, door te kijken naar veelvuldig optredende patronen. Figuur 3 laat het procesmodel zien dat ontdekt wordt door bijvoorbeeld een genetisch algoritme toe te passen. Hierbij wordt een evolutionaire aanpak gebruikt, geïnspireerd door concepten uit de natuur (natuurlijke selectie, reproductie, mutatie, en recombinatie). Het gevonden proces kan 97 procent van de events in de log verklaren. De resterende drie procent bestaat uit de uitzonderlijke gevallen, die zo infrequent zijn dat ze niet gedekt worden door het model. www.kluwermanagement.nl 7

4. Het ontdekte procesmodel weergegeven als een EPC ProM ProM ondersteunt tientallen algoritmen om (proces)modellen af te leiden uit ruwe event logs. Ook kunnen deze modellen in allerlei notaties worden weergegeven. Figuur 4 laat het ontdekte WMO-proces zien als een Event-Driven Process Chain (EPC). Deze notatie wordt gebruikt door SAP, ARIS, Visio, Oracle BPA, enzovoort. ProM ondersteunt ook de conversie en export naar Protos, YAWL, BPEL en vele andere systemen en standaarden. Het is van groot belang in te zien dat procesmodellen zoals weergeven in figuur 4 het werkelijke proces laten zien, en niet een geïdealiseerde of (on)bewust veranderde PowerPointwerkelijkheid. Het ontdekte model is een uitstekend startpunt voor verdere analyse. ProM kan bijvoorbeeld bepalen waar de belangrijkste knelpunten zitten en waarom deze op een bepaalde plaats zitten. Door middel van process mining is het ook mogelijk voorspellingen te doen op basis van informatie uit het verleden. Als er bepaalde regels gelden (bijvoorbeeld het vier-ogenprincipe waarbij twee verschillende medewerkers (vandaar vier ogen) de factuur moeten zien) kan ProM nagaan onder welke omstandigheden deze regels wel of niet gevolgd worden. ProM ProM is ontwikkeld onder een open-sourcelicentie (CPL) en wordt gedistribueerd via www.processmining.org. De ontwikkeling van ProM wordt geleid vanuit de Technische Universiteit Eindhoven, maar er wordt gebruikgemaakt van een breed internationaal netwerk van samenwerkende onderzoeksgroepen op het gebied van process mining. www.kluwermanagement.nl 8

Naast het aanbieden van een zeer toepasbaar gereedschap is het doel van ProM ook om leveranciers van BI- en BPM-tools te stimuleren meer werkelijk intelligente functionaliteit te bieden. BPM one van Pallas Athena, Futura Reflect van Futura Technology, ARIS van IDS Scheer en de Discovery & Visualization Service van Fujitsu zijn schaarse voorbeelden van commerciële gereedschappen die op dit moment enige process-miningfunctionaliteit aanbieden. Zie www.processmining.org voor meer informatie. Toepassingen In de afgelopen jaren hebben we process mining toegepast binnen meer dan vijftig organisaties. We hebben ProM bijvoorbeeld gebruikt om de processen binnen diverse gemeenten in kaart te brengen (bijvoorbeeld Alkmaar, Heusden, Harderwijk). Hetzelfde hebben we gedaan binnen andere overheidsinstellingen (Rijkswaterstaat, Centraal Justitieel Incasso Bureau, Justitie), verzekeringsmaatschappijen (bijvoorbeeld het UWV), banken (bijvoorbeeld de ING Bank), diverse ziekenhuizen (onder meer het AMC en het Catharina ziekenhuis), multinationals (DSM, Deloitte), leveranciers van hightechsystemen (Philips Healthcare, ASML, Ricoh en Thales) en multimediabedrijven (bijvoorbeeld Winkwaves). Deze ervaringen laten zien dat process-miningorganisaties op een nieuwe manier naar processen laat kijken. Spaghetti en Lasagne Hierbij maken we onderscheid tussen spaghetti - en lasagne processen. Lasagneprocessen hebben een duidelijke structuur. Het eerdergenoemde WMO-proces is een voorbeeld van een dergelijk gestructureerd proces. De toegevoegde waarde van het automatisch afleiden van dit proces is beperkt, omdat de betrokkenen meestal al een redelijk goed inzicht hebben in de (wettelijk voorgeschreven) procesgang. In dit soort situaties is process mining vooral nuttig om knelpunten en afwijkingen op te sporen. Het ontdekte proces kan ingekleurd worden met informatie over wachttijden, doorlooptijden, afwijkingen, uitzonderingen, enzovoort. Ook kan het model gebruikt worden voor voorspellingen en om suggesties te genereren voor procesverbetering. Bij spaghettiprocessen zijn de processen slechts deels gestructureerd. Uitzonderingen komen veelvuldig voor, en er geldt vaak een soort van 80/20-regel waarbij 80 procent van de cases door 20 procent van het procesmodel worden afgedekt. De resterende 20 procent van de cases zijn verantwoordelijk voor 80 procent van het procesmodel. Met process mining kun je dit soort inzichten in kaart brengen. Opvallend hierbij is dat managers en medewerkers die zijn betrokken bij dit soort processen vaak een verkeerd of onvolledig beeld hebben van de feitelijke procesgang. De inzichten verkregen met behulp van process mining kunnen direct worden gebruikt om het proces beter aan te sturen. Ook kun je op deze wijze nutteloze investeringen in bijvoorbeeld ICT voorkomen. Het is immers van groot belang eerst een goed beeld van de huidige situatie te hebben, voordat een kostbaar herontwerp of nieuw informatiesysteem wordt geïntroduceerd. TomTom-functionaliteit met ProM Uit de eerdere vergelijking tussen navigatiesystemen en bedrijfsinformatiesystemen kwam een lijst met een aantal opvallende verschillen naar voren. Ter afsluiting kijken we hoe ProM oplossingen biedt voor een aantal van deze tekortkomingen. www.kluwermanagement.nl 9

Om te beginnen is het met behulp van process mining zeer wel mogelijk om een goede en accurate kaart van een bedrijfsproces te maken. Door de kaart te baseren op event logs, kun je de daadwerkelijke procesgang blootleggen. Ook is het mogelijk traploos de detaillering aan te passen, door gebruik te maken van technieken in de Fuzzy Miner van ProM. Daardoor worden op basis van frequenties en correlaties bepaalde paden en activiteiten uit het model weggelaten. Net zoals TomTom kleinere wegen en dorpen bij uitzoomen weglaat of samenneemt, kun je activiteiten en hun verbindingen weglaten of samenvoegen. In figuur 5 is te zien hoe hetzelfde proces met meer of minder detail kan worden weergegeven. 5. Hetzelfde proces met veel detail (links) en weinig detail (rechts) Figuur 6 laat zien dat het ook mogelijk is om historische en actuele informatie te projecteren op procesmodellen. Dit is vergelijkbaar met het visualiseren van file-informatie, maar kan ook nog veel verder gaan en knelpunten en andere vaak voorkomende problemen visualiseren. Alternatieve routes en omleidingen Workflowmanagementsystemen, ERP-systemen en andere systemen voor procesondersteuning hebben de eigenschap bepaalde procedures dwangmatig op te leggen. De combinatie van flexibele workflowtechnologie en process mining kan worden gebruikt voor een vorm van procesondersteuning die niet noodzakelijk dwingend is. Voorbeelden zijn de Recommendation Service en de Prediction Service in ProM. De Recommendation Service geeft advies op basis van historische informatie. In de werkbak (ook wel inbox genoemd) van de gebruiker worden meerdere alternatieven aangeboden. Deze zijn echter geordend op basis van criteria als verwachte kosten of doorlooptijd. De Prediction Service gebruikt een soortgelijk mechanisme. Daar ligt de nadruk echter uitsluitend op het voorspellen van een bepaalde eigenschap, zoals resterende doorlooptijd of succeskans. Dit is te vergelijken met de verwachte aankomsttijd, zoals weergegeven in een navigatiesysteem. Verder is het zo dat op basis van nieuwe informatie de Recommendation Service en de Pre- www.kluwermanagement.nl 10

diction Service de situatie steeds weer opnieuw beoordelen, ook nadat de gebruiker bewust is afgeweken van de normale route. Op deze wijze kan beter worden omgesprongen met uitzonderingen, sterk dynamische processen en veranderende omstandigheden. 6. Procesmodel met file-informatie www.kluwermanagement.nl 11