Anbefalinger til Process Mining-datastrategi 

Hvad skal data leve op til for at kunne benyttes til Process Mining? Bliv klogere på krav og opmærksomhedspunkter i denne artikel, som samler en række anbefalinger til datastrategier på områder, hvor man ønsker at arbejde med Process Mining.  

  

Adgang til data ved indkøb af systemer 

Ved indkøb og genanskaffelse af systemer er det vigtigt at stille krav til dataadgang. Ofte tilbyder leverandører adgang til modelleret data, som benyttes til Business Intelligence (BI), men i forbindelse med Process Mining vil det ofte være nødvendigt at have adgang til den helt rå data. Adgangen til rådata kan ske via en BI-løsning, men det kan også være nødvendigt med direkte adgang til rådata. Eksempelvis henter Sønderborg Kommune dagligt en kopi af rådata fra KMD Momentum. Kopien sikrer, at man ikke risikerer at lave ændringer i databasen ifm. Process Mining. Kopien hentes om natten, således at driftsdatabasen ikke udsættes for performance udfordringer. 

Det er oftest billigere (og nemmere) at sikre adgangen til data ved indgåelse af kontrakten end hvis det skal tilkøbes midt i et kontraktforløb. 

 

Dokumentation af datamodellen 

Derudover er det, ved indkøb og genanskaffelse af systemer, vigtigt at få dokumentation på selve datamodellen. Dokumentationen skal tydeliggøre forbindelsen mellem data og de forretningsbegreber, der anvendes i fagsystemet, således at det bliver muligt at forstå og koble data til arbejdsgangen for en proces.  

  

Domænekendskab  

Dokumentation for datamodellen er ikke nok i sig selv. For at komme succesfuldt i mål med Process Mining er det nødvendigt at involvere fagspecialister med domænekendskab, som kan guide dataspecialisten igennem den proces, man ønsker at analysere. Datavalidering er en iterativ proces, som kræver tæt samarbejde og løbende dialog mellem fagspecialister og dataspecialister. Udpeg gerne en-to fagspecialister, som kan varetage denne opgave.  

  

Datakvalitet - historisk data  

Kan systemet levere relevant data af den fornødne kvalitet? Process Mining anvender historiske logfiler, som fundamentalt skal indeholde minimum tre datafelter: CaseID, TimeStamp og Aktivitet. Man skal derfor have fokus på alle faktorer i systemet, som har indflydelse på disse tre felter. For eksempel er det problematisk hvis et eller flere af disse tre datafelter er baseret på nutidsdata. I datafelter, som kun indeholder nutidsdata, overskrives den eksisterende data, hver gang ny data indtastes, således at der ikke eksisterer datahistorik, som er nødvendig for Process Mining. I arbejdet med Process Mining på beskæftigelsesområdet skabte manglende historik på antallet af forbrugte uger for forsikrede ledige udfordringer for proceskortlægningen ud fra logdata, som derfor både blev mere tids- og ressourcekrævende end først antaget.  

  

Kontinuerligt fokus på registreringspraksis 

Kvalitet og ensartethed i data er essentielt for at sikre validiteten i de analyser, som baseres på Process Mining. Dette kræver et kontinuerligt fokus på registreringspraksis i samarbejde med systemets brugere. Mange afdelinger har kultur for sidemandsoplæring, hvilket skaber større variation i registreringerne. Øget fokus på fælles vejledninger og arbejdsgangsbeskrivelser, kan hjælpe med at ensarte data. Det er dog ikke nok at arbejde med hvordan man registrerer korrekt, men også hvorfor det er vigtigt. Det vil hjælpe til at øge ejerskab for datakvaliteten hos brugerne, hvis de ved, hvad data bruges til og forstår hvorfor datakvaliteten er så vigtigt. Denne proces tager tid og kræver involvering og modning hos medarbejderne.  

Løbende ændringer i både systemer og lovgivning er uundgåelige og stiller derfor krav til at vejledninger, arbejdsgangsbeskrivelser og systemdokumentation ligeledes løbende opdateres. Fritekstfelter kan også skabe udfordringer for Process Mining, hvis data som skulle have været indtastet i andre felter i stedet bliver indtastet i fritekstfelter. Det kan derfor være nødvendigt at arbejde målrettet med systemets brugere med henblik på at undgå dette.   

 

Datamodning og teknologisk modning 

Langt de fleste erfaringer med Process Mining hidtil er funderet i transaktionssystemer, hvor data ofte følger en klart defineret struktur. Dette står i kontrast til kommunale fagsystemer (sagsstyrede systemer), som indeholder en langt større mængde ustruktureret data, og hvor en borgers sager samles under borgerens CPR-nummer, hvilket kan gøre det svært at skelne de forskellige sager fra hinanden ifm. Process Mining. Arbejdet med Process Mining i sagsstyrede systemer kræver meget arbejde med oversættelse og forståelse af data, hvilket både er tids- og ressourcekrævende.  

Anbefalingen er, at man starter med mindre komplekse systemer, og bruger erfaringerne derfra til videre arbejde i systemer med højere kompleksitet. Eksempelvis har Sønderborg Kommune haft gode resultater med Process Mining i Damus, som benyttes til bevillinger af kropsbårne hjælpemidler.