Comment apprivoiser le process mining avec R dans une entreprise?

D'une manière ou d'une autre, il est arrivé qu'en 2020, il y ait eu un regain d'intérêt pour le sujet du Process Mining. Il est possible que la nouvelle réalité du mode à distance nécessite une évaluation plus approfondie de l'efficacité des processus technologiques et commerciaux. C'est la même chose que pour les cadres en bois courbes et obliques. Il traverse toutes les fissures et le compteur enroule des mégawatts pour le chauffage.



En général, il existe plusieurs demandes populaires pour l'application de la technologie d'extraction de processus:



  • Je veux améliorer quelque chose, mais je n'ai rien entendu d'autre qu'un mot à la mode;
  • obtenir ou économiser de «l'argent réel» en optimisant le processus classique de «commande-encaissement» et autres;
  • audit système de tout et de tout par notre propre équipe d'auditeurs;
  • créer des analyses et une surveillance opérationnelles basées sur des indicateurs de processus et non sur des mesures informatiques.


Dans 99% des cas, ils commencent à lire Gartner / Forrester et atteignent les 4 principaux fournisseurs (Celonis / Minit / Software AG / UiPath), qui sont en quelque sorte présents en Russie. Et avant de commencer à en tirer un avantage, ils reçoivent immédiatement un prix assez élevé pour les licences et le support annuel ultérieur. Dans le même temps, la justification économique est cousue avec des fils blancs.



Est-il vraiment nécessaire de suivre cette voie? Surtout lorsque les tâches et les objectifs ne sont pas entièrement compris par les administrateurs eux-mêmes. N'oubliez pas que les fournisseurs ont besoin d'un journal des événements spécialement préparé et que sa préparation peut entraîner des maux de tête et de nombreux mois de travail d'intégration dans un paysage d'entreprise classique.



Suite des publications précédentes .



Préambule



process mining ?

, . 90% 100% open-source . R . HR . .



, , . , .



« 1- 30- », R process mining -.



.





-, , :



  • (= ) ;
  • ;
  • ;
  • ;
  • ;
  • .


:





. , , . , process-mining data-science .



, :



  • , ETL - ;
  • 2- 3- , «-» ;
  • « » ;
  • .




process-mining . data science , , , open-source R Tidyverse. , open-source . 10 , . , process-mining , , process mining office (PMO).



PMO . , data science « », .. () , .



, process-mining , . data science , PMO R tidyverse Excel.



R process mining:



  • (open-source);
  • ( , );
  • ( 10-100 «» );
  • ( , « »);
  • ( , R > 10 . , /, , , , web , ...).




csv, :



read_csv("./data/pmo/pmo_sales.csv")




xlsx, :



read_excel("./data/pmo/pmo_sales.xlsx", sheet = " ")




: MS SQL, PostgreS, Oracle, MySQL, Access, Redis, Clickhouse,… "Databases using R" (https://db.rstudio.com/)





() . :





mutate — .



df <- read_csv("./data/pmo/pmo_sales.csv") %>%
  #    
  mutate(amount = unitprice * weight)
df


subir une mutation



group_by — , summarise — .



#    
df %>% 
  group_by(item) %>%
  summarise(sum(weight), sum(amount))


par groupe



select — .



df %>%
  select("" = date, ", " = amount, item)


sélectionner



filter — .



df %>%
  filter(amount > 1000, item == "")


filtre



arrange — .



df %>%
  arrange(date, desc(amount))


organiser





df %>% 
  group_by(item) %>%
  gt(rowname_col = "date")






gp <- ggplot(df, aes(date, amount, color = item, fill = item)) +
  geom_point(size = 4, shape = 19, alpha = 0.7) +
  geom_line(lwd = 1.1) +
  scale_x_date(date_breaks = "1 day", date_minor_breaks = "1 day", date_labels = "%d") +
  scale_y_continuous(breaks = scales::pretty_breaks(10)) +
  ggthemes::scale_color_tableau() +
  ggthemes::scale_fill_tableau() +
  theme_bw()

gp






gp + facet_wrap(~item) + geom_area(alpha = 0.3)








df <- read_csv("./data/pmo/pmo_school.csv")
df




activity resourse



df %>% 
  mutate(new_activity = glue("{activity} - {resource}")) %>%
  count(new_activity, sort = TRUE)




?



df %>%
  mutate(hr = hour(timestamp), date = as_date(timestamp)) %>%
  group_by(date) %>%
  #    
  filter(timestamp == max(timestamp)) %>%
  ungroup() %>%
  select(date, hr, everything(), -timestamp, -part)




DWG bupaR (https://www.bupar.net)



.



patients






patients %>%
    process_map()


les patients





patients %>%
    process_map(performance(median, "days"))




P.S.



  1. , , . enterprise. .
  2. , «- enterprise : . R»
  3. process mining , Wil M. P. van der Aalst «Process Mining: Data Science in Action». , , .. , .


Article précédent - "Package-Package-Package ... Dans quelle mesure utilisez-vous R?" ...




All Articles