Afgelopen zondag zat ik, net als 6 miljoen andere Nederlanders voor de buis gekluisterd tijdens de ontknoping van de Formule 1. Na de beroerde start van Max dacht ik dat het helemaal voorbij was maar wat ik vervolgens voorgeschoteld kreeg was op z’n minst spectaculair. De uitkomst was voor mij als Max supporter zeer bevredigend en ik kon mijn enthousiasme dan ook niet bedwingen tijdens zijn inhaalactie in de laatste ronde. Met het hele gezin stonden we te juichen in de woonkamer!

meerwaarde it met process mining

Toen vervolgens de protesten van het team van Mercedes kwamen en ik een gedesillusioneerde Lewis Hamilton zag begreep ik de frustratie toch ook wel een beetje. De situatie was erg onoverzichtelijk voor mij als kijker. Wel of geen saftey car, wel of niet door racen, herstart wel of niet achter de saftey car, moeten de achterblijvers wel of niet tussen Lewis en Max uit? En ik kreeg toch de indruk dat de wedstrijdleiding zelf ook een beetje in de war was.

Al met al is het hele seizoen wel in balans als je naar alle beslissingen kijkt, maar er was een vraag die mij bezig hield. Hoe kan het dat de stewards en de wedstrijdleiding, aangevoerd door Michael Masi, in vergelijkbare situaties toch tot andere conclusies komen. Zo komt het voor mij als kijker vreemd over dat je voor een vergrijp de ene keer een straf krijgt en de volgende keer niets aan de hand is. Hoe ziet het proces er uit om tot een oordeel te komen? Dit deed mij aan iets denken…

Wat is Process Mining?

In mijn dagelijks werk, help ik organisaties met het inzetten van Process Mining en het vinden van nuttige use cases om Process Mining in toe te passen. Dit zijn vaak zorginstellingen die willen weten hoe een bepaald behandeltraject verloopt en hoe dit efficiënter kan of grote overheidsinstellingen, banken of verzekeraars die willen zien hoe beslissingen tot stand komen.

Met Process Mining halen we data uit de systemen die deze processen ondersteunen. Vaak worden zaken gelogd of bijgehouden. Op de achtergrond worden deze mutaties op de database onthouden en dit is precies wat wij nodig hebben voor Process Mining. Vaak weten organisaties niet eens dat ze deze data al hebben, maar ieder systeem dat je gebruikt heeft deze data. We noemen dat in de wereld van Process Mining ook wel event logs. Hier staat de uitgevoerde activiteit, tijdstip van activiteit en de persoon die dit uitvoerde in genoteerd. Als je vervolgens deze data inleest in bijvoorbeeld MonkeyMiner krijg je de procesflow stap voor stap te zien. Je kunt vervolgens de meest dominate flow zien; hoe nemen we in 90% of 80% van de gevallen een besluit. Maar je kunt ook inzoomen op de afwijkingen. Wanneer hebben we echt andere stappen doorlopen dan normaal gesproken.

Heb jij nog niet deelgenomen aan onze gratis masterclass over Process Mining?

Process Mining en de Formule 1

Maar van een verzekeraar naar de Formule 1 is wel een hele grote stap. Een race in goede banen leiden is iets anders dan iemand wel of geen uitkering van een schade claim toekennen. Dat klopt in feite wel, maar er zijn meer overeenkomsten dan je wellicht van de voren zou denken. Er zijn mensen betrokken bij een besluitvormingsproces. Ze toetsen een situatie aan vooraf gedefinieerde uitgangspunten. In het geval van de verzekeraar de polisvoorwaarden, voor de Formule 1 de spelregels. De stappen in het besluitvormingsproces worden vastgelegd in een systeem zodat na de besluitvorming uitgelegd kan worden waarom een bepaald besluit is genomen. Hierbij wordt ook gekeken naar vergelijkbare zaken uit het verleden. De overeenkomst is dus behoorlijk groot en daarom denk ik dat Process Mining in deze situatie had kunnen helpen.

Hoe had Process Mining Michael Masi kunnen helpen?

Process Mining had op twee manieren geholpen. Ten eerste hadden ze snel kunnen kijken hoe ze bij een vergelijkbare situatie uit het verleden in 90% van de gevallen handelden. Welke stappen werden er in die 90% van de gevallen gehanteerd en welke keuze momenten werden er gebruikt. Op die manier had Masi na de race in 1 seconde kunnen aantonen dat de manier van werken en de uitkomst van het besluit bijna altijd hetzelfde is.

Als tweede punt hadden ze kunnen kijken naar de outliers. Wat is er aan de hand dat we in 10% van de gevallen afwijken van het ‘normale pad’? Als je in die 10% aantoonbaar andere zaken terug ziet kan dat een precedent zijn om af te wijken van de gebruikelijke proces flow. Denk aan een gevaarlijke situatie of zeer uitzonderlijke situaties. Indien er een afwijking is in uitkomst maar het proces is gelijk aan de gebruikelijke situatie dan zit je er dus waarschijnlijk naast met je beslissing.

Indien de FIA en de Formule 1 de besluitvorming meer transparant en consistenter willen maken dan is Process Mining hiervoor een goed hulpmiddel. Ik wil vanuit MonkeyMining wel iedere race de analyses maken mits dat op locatie mag aan de pitmuur.

Zelf aan de slag met Process Mining binnen jouw organisatie?

Anderen bekeken ook:

Roderick Schreuder

Roderick Schreuder

Roderick Schreuder is een technologie ondernemer en data science expert. Hij heeft + 20 jaar ervaring in verschillende sectoren bij organisaties zoals Philips, ING, Heerema, Achmea, NXP en Belastingdienst. Sinds 2006 is hij betrokken bij BiZZdesign en heeft zich recent gestort op de data science techniek ‘Process Mining’ bij MonkeyMining. Roderick is regelmatig gastspreker op conferenties en congressen en wordt regelmatig gevraagd om technologie inspiratiesessies voor directies en management teams te faciliteren. Daarnaast is hij verbonden aan de Hogeschool Utrecht, Avans Hogeschool en Business University Nyenrode.

Ben je overtuigd?

Begin gelijk met de MonkeyMiner!

GRATIS MASTERCLASS