Process discovery

Wat is process discovery?

Process discovery tekent een proceskaart voor je, zonder dat iemand het proces eerst op papier hoeft te zetten. Een algoritme leest de event log uit je systemen en reconstrueert hoe een bestelling, factuur of aanvraag echt door je organisatie beweegt.

Het is de eerste van drie pijlers van process mining. De andere twee zijn conformance checking (klopt de praktijk met het ontwerp?) en enhancement (wat leer je uit de data om te verbeteren?). Discovery is waar je begint: zonder kaart van de realiteit heeft vergelijken of verbeteren weinig zin.

Hoe werkt het in de praktijk?

De input is altijd een event log. Dat is een tabel met drie verplichte kolommen: een case ID (het ordernummer of factuurnummer dat de events aan elkaar knoopt), een activiteit ("order aangemaakt", "factuur goedgekeurd", "betaling ontvangen") en een tijdstip. Elke regel in de tabel is één gebeurtenis.

De tool groepeert alle events per case en telt hoe vaak elk pad van stap A naar stap B voorkomt. Een algoritme beslist welke paden tot het hoofdproces horen en welke uitzonderingen zijn, en tekent het resultaat als een kaart met knopen (activiteiten) en pijlen (overgangen).

De output lijkt op een BPMN-diagram, maar met cijfers erbij: hoeveel cases door elke pijl zijn gegaan, wat de gemiddelde doorlooptijd is tussen twee stappen, waar cases blijven hangen. Je kan in- en uitzoomen om enkel de dominante paden te tonen, of net de zeldzame afwijkingen.

Welke algoritmes gebruiken tools?

Onder de motorkap zitten een handvol algoritmes die elk anders omgaan met rommelige data.

De alpha miner is het klassieke algoritme, gepubliceerd door Wil van der Aalst en collega's in IEEE TKDE (2004). Het leidt uit de volgorde van activiteiten de causale relaties af. Elegant, maar kwetsbaar: bij onvolledige data komt er een onleesbaar spaghetti-diagram uit. Vandaag vooral een didactisch vertrekpunt.

De heuristics miner kwam kort daarna, begin jaren 2000, en pakt die zwakte aan. Het telt frequenties en gebruikt drempelwaarden om zeldzame paden te negeren. Je regelt zelf hoe streng: enkel paden die minstens 10% van de cases dekken, of tot op 1%. Dat maakt het bruikbaar op echte event logs met dubbele registraties en vergeten stappen.

De inductive miner is de nieuwere generatie. Het splitst de event log recursief op en bouwt een model in blokken (sequentie, keuze, parallel, lus). De output is altijd een geldig procesmodel, ook op rommelige data, en exporteert makkelijk naar BPMN. Tools als Celonis, Apromore, Fluxicon Disco en Microsoft Power Automate Process Mining leunen vandaag op varianten uit deze familie.

Process discovery versus een flowchart op papier

Klassieke procesanalyse start met een workshop. Mensen die het proces kennen, tekenen op een whiteboard hoe het hoort te lopen en je zet dat om in een BPMN-diagram. Die kaart is netjes, logisch en bijna nooit wat er echt gebeurt.

Process discovery vertrekt niet van meningen, maar van logs die je systemen toch al bijhouden. Een bestelling in SAP laat een event achter, en de goedkeuring, levering en betaling ook. Knoop ze aan elkaar via het ordernummer en de echte kaart rolt eruit.

Het verschil valt op waar theorie en praktijk uit elkaar lopen. In een getekend order-to-cash proces staan vijf stappen netjes achter elkaar. In de ontdekte kaart zie je dat een deel van de orders teruggaat voor een correctie, dat sommige zonder leveringsbevestiging naar facturatie springen, en dat er paden bestaan die niemand op het whiteboard getekend heeft. Daar gaat tijd en geld verloren.

Wat heb je nodig om te starten?

Voor een eerste project:

• Een afgebakend proces. Niet heel je organisatie in één keer. Kies iets dat vaak voorkomt en in één systeem leeft: order-to-cash in je ERP, of ticketafhandeling in je servicedesk.

• Een event log met minimaal drie kolommen. Case ID, activiteit en tijdstip. Extra velden zoals uitvoerder of bedrag maken de analyse rijker, maar zijn niet verplicht.

• Een tool. Voor KMO's is Power Automate Process Mining laagdrempelig omdat het in je Microsoft 365 omgeving zit. Celonis, Apromore en Fluxicon Disco zijn gevestigde alternatieven. ProM is open-source en vooral voor experimentele projecten.

• Een scherpe vraag. "Waar blijven orders hangen tussen goedkeuring en levering?" levert een bruikbaarder resultaat dan "toon mij ons proces".

De grootste uitdaging zit in de data, niet in het algoritme. Events uit verschillende bronnen koppelen, het juiste case ID kiezen en tijdzones afstemmen vraagt meer tijd dan de discovery-stap zelf. Start met één systeem en breid pas uit als de eerste kaart staat.