Predictive process monitoring

Wat is predictive process monitoring?

Predictive process monitoring voorspelt hoe een lopende procesinstantie waarschijnlijk verdergaat. Het model gebruikt de events die tot nu toe zijn geregistreerd, aangevuld met kenmerken van de case en de procescontext.

De gedeeltelijke eventreeks heet een prefix. Na ieder nieuw event kan de voorspelling worden bijgewerkt. Veelvoorkomende doelen zijn de uiteindelijke uitkomst, de volgende activiteit, resterende doorlooptijd of kans op een ongewenste gebeurtenis.

De techniek combineert process mining met voorspellende modellen. De volgorde en timing van activiteiten zijn daarbij belangrijke informatie, niet alleen een rij met statische kenmerken.

Van eventlog naar trainingsvoorbeelden

Historische, voltooide cases worden op meerdere punten afgekapt. Iedere prefix vormt een trainingsvoorbeeld met een doelwaarde, zoals de werkelijk resterende tijd vanaf dat punt.

De prefix moet worden gecodeerd voor het model. Mogelijkheden zijn aggregaties van eerdere activiteiten, de laatste toestand, een vaste reekspositie of sequentiemodellen die de eventvolgorde rechtstreeks verwerken.

Casekenmerken zoals klanttype of product kunnen nuttig zijn. Dynamische kenmerken zoals openstaand bedrag, aantal overdrachten en tijd sinds het vorige event veranderen tijdens de case.

Voorbeeld uit klantenservice

Een serviceorganisatie wil vroeg zien welke tickets hun afgesproken oplostijd waarschijnlijk overschrijden. Na registratie is weinig bekend; na classificatie, eerste diagnose en een overdracht wordt de voorspelling specifieker.

Het model geeft een kans op overschrijding en een bandbreedte voor resterende tijd. Een planner ziet ook welke informatie op dat moment aan de voorspelling bijdroeg.

De organisatie gebruikt de score niet om automatisch alle risicotickets te escaleren. Eerst wordt nagegaan welke interventie helpt. Extra overdrachten kunnen de wachttijd juist verhogen.

Drie soorten voorspellingen

Outcome prediction schat een einduitkomst, bijvoorbeeld tijdig versus te laat, goedgekeurd versus afgewezen of wel versus geen herwerk.

Next-event prediction schat welke activiteit of gebeurtenis waarschijnlijk volgt. Een reeks voorspelde volgende events kan een mogelijk vervolgpad vormen, maar onzekerheid stapelt zich daarbij op.

Remaining-time prediction schat hoe lang een case nog duurt. Een enkel gemiddelde verbergt onzekerheid; een interval of kwantielen zijn vaak bruikbaarder voor planning.

Verschil met gewone predictive analytics

Een klassiek voorspellend model gebruikt vaak één momentopname per klant, order of dossier. Predictive process monitoring verwerkt de procesgeschiedenis en kan na ieder event een nieuwe voorspelling maken.

Hetzelfde model hoeft niet op iedere prefixlengte even goed te werken. Vroege voorspellingen zijn nuttig voor ingrijpen maar onzeker; late voorspellingen zijn nauwkeuriger maar laten minder tijd voor actie.

Evaluatie moet daarom prestaties per procesfase of prefixlengte tonen, naast één totaalscore.

Data leakage voorkomen

Leakage ontstaat wanneer trainingsdata informatie bevat die op het voorspeltijdstip nog niet beschikbaar is. Een afsluitcode, definitieve factuurstatus of later gecorrigeerd bedrag kan het resultaat kunstmatig goed maken.

Splits training en test bij voorkeur op tijd, zodat toekomstige cases niet indirect in de training belanden. Houd events van dezelfde case altijd in dezelfde datasplit.

Let ook op kenmerken die de uitkomst administratief verraden. Een veld kan technisch al bestaan, maar pas na de beslissing betrouwbaar worden ingevuld.

Evaluatie en onzekerheid

Voor classificatie zijn precision, recall, kalibratie en kosten van fouten relevant. Bij resterende tijd worden bijvoorbeeld absolute fout en foutverdeling gebruikt. Kies maten op basis van de operationele beslissing.

Een goed gekalibreerde kans van 0,7 betekent dat vergelijkbare voorspellingen ongeveer zeven op tien keer uitkomen. Zonder kalibratie is een risicodrempel moeilijk verantwoord te kiezen.

Vergelijk met eenvoudige baselines, zoals gemiddelde resterende tijd per huidige activiteit. Een complex model dat die baseline nauwelijks verslaat, brengt mogelijk onnodig beheer en minder uitlegbaarheid mee.

Drift, feedback en menselijk handelen

Processen veranderen door beleid, seizoenen, systemen en personeelsbezetting. Meet daarom datadrift, prestatie per segment en kalibratie na ingebruikname.

Interventies veranderen de data waarop toekomstige modellen leren. Als alle hoog-risicocases extra hulp krijgen, kan hun goede uitkomst ten onrechte doen lijken alsof de oorspronkelijke risicoscore fout was.

Leg voorspelling, beschikbare kenmerken, interventie en uitkomst apart vast. Laat medewerkers onzekerheid en context zien, bied ruimte om af te wijken en onderzoek of de actie werkelijk waarde toevoegt.