Procesinformatie & assetbeheer gedurende de building life cycle

De noodzaak van gedeelde informatie

VISI: Voorwaarden Invoering Standaard Informatisering

Hoe werkt VISI?

5

6

building life cycle

VISI is an ISO-standaard en keurmerk excellent beheer •  ISO 29481 specifies a methodology and format for

describing ‘coordination acts’ between actors in a building construction project during all life cycle stages. It therefore specifies: -  A methodology that describes an interaction framework -  An appropriate way to map responsibilities and

interactions that provides a process context for information flow A format in which the interaction framework should be specified

•  It is intended to facilitate interoperability between software application used in the construction process, to promote digital collaboration between actors in the building construction process and to provide a basis for accurate, reliable, repeatable and high-quality information exchange.

2726

Voor reacties en nieuwe bijdragen van IT-experts: Henk Ester, 070 3046812h.ester@automatise-ringgids.nl

ITEXPER

T

»

Wil van der Aalst (www.vdaalst.com) is

universiteitshoogleraar

aan de Technische

Universiteit Eindhoven

(TU/e). Daarnaast heeft

hij deeltijdaanstellingen

bij Queensland

University of Techno-

logy (QUT) in Australië

en de National

Research University Higher School of Economics

in Moskou. Hij is ook de trekker van de IEEE Task

Force on Process Mining.

LANDKAARTEN VAN PROCESSENProcess mining laat zien dat procesmodellen een soortgelijke rol kunnen vervullen als landkaar-ten. In beide gevallen gaat het om een abstractie van de werkelijkheid. Deze vergelijking laat meteen zien dat er voor een proces meerdere modellen mogelijk zijn, net zoals er vaak verschil-lende landkaarten van hetzelfde gebied zijn. Een automobilist heeft bijvoorbeeld een andere kaart nodig dan iemand die per metro reist. Welke landkaart het meest geschikt is hangt af van de vraag die beantwoord moet worden. Ook is het van groot belang actuele informatie te projecteren op de automatisch gegenereerde procesmodellen. Het kan bijvoorbeeld uitermate nuttig zijn de ‘files’ in een organisatie of systeem zichtbaar te maken.

TOEPASSINGENProcess-miningtechnieken zijn al succesvol toegepast in honderden organisaties, uiteenlopend van gemeenten en ziekenhuizen tot de leveranciers van hightech-systemen (ASML, Philips en andere). Tijdens het Process Mining Camp op 28 mei (fluxicon.com/camp/2013) kwamen ongeveer honderd gebruikers van process mining bij elkaar. Tijn van der Heijden van Deloitte liet zien hoe process mining de Rabobank in staat stelde om de betalingsprocessen te stroomlijnen. Process mining wordt hier ingezet om de kosten te reduceren en kwaliteit van de afhandeling te verbeteren. Mitchell Cunning-ham presenteerde een op process mining gebaseerde analyse van de claimprocessen binnen Suncorp, Australië’s grootste verzekeraar. Het gaat hierbij om 600.000 claims per jaar die samen meer dan 50 miljoen events genereren. Youri Soons van de Auditdienst Rijk (de interne auditdienst van de rijksover-heid) liet zien hoe afwijkingen en onregelmatigheden in subsidieverleningstrajecten (bijvoorbeeld WBSO) snel opgespoord kunnen worden. Philipp Horn van Volkswagen liet zien hoe alle inkoopproces-sen van de verschillende merken van Volkswagen AG (Volkswagen, Audi, Seat en Skoda) vergeleken en geanalyseerd kunnen worden met process mining. Deze voorbeelden laten zien dat het gebruik van process mining snel toeneemt en dat in veel organisaties al voldoende event logs beschikbaar zijn voor gedegen analyses.

SoftwareHet open-sourcegereedschap ProM (www.processmining.org) is de de facto stan-daard op het gebied van process mining in de wetenschappelijke wereld. Onder-zoeksgroepen in Nederland, Duitsland, Frankrijk, China, Spanje, Italië, Rusland, Amerika en Australië hebben plug-ins voor ProM ontwikkeld. Het is voor iedereen beschikbaar en biedt in vergelijking met commerciële gereedschappen enorm veel functionaliteit. Binnen het open-sourcegereedschap zijn er meer dan 600 plug-ins beschikbaar die het gehele process-miningspectrum afdekken. ProM is echter vooral bedoeld voor process-miningexperts en minder geschikt voor eindgebruikers. Com-merciële gereedschappen zoals Disco (Fluxicon), Perceptive Process Mining (eerder Futura Reflect), ARIS Process Performance Manager (Software AG), QPR Proces-sAnalyzer, Interstage Process Discovery (Fujitsu), Discovery Analyst (StereoLOGIC) en XMAnalyzer (XMPro) maken process mining geschikt voor een groter publiek. Deze gereedschappen kunnen door eindgebruikers gebruikt worden om de onder-liggende processen te ontdekken en knelpunten op te sporen. In vergelijking met ProM schieten ze echter te kort als het gaat om conformance checking en predictive analytics. Gereedschappen als Disco kunnen direct CSV-files inlezen en omzetten in XES (eXtendible Event Stream) of MXML-(Mining XML)-files. De laatste twee standaardformaten zijn toegesneden op process mining en maken het delen van event-data eenvoudig.

individuele apparaten worden events geregis-treerd. Het maken van een röntgenfoto resulteert in een lawine van events die geanalyseerd worden door de leverancier die wil weten hoe het röntgenapparaat echt gebruikt wordt en wanneer en waarom het apparaat soms stukgaat. Het ‘Internet of Things’ (IoT) waarbij ook eenvoudige appara-ten (van koelkast tot kopieerapparaat) gebeurtenissen registreren en delen, is steeds meer een realiteit.Klassieke technieken voor procesanalyse en herontwerp maken geen gebruik van de grote hoeveelheden data die vandaag de dag beschikbaar zijn. De nadruk ligt op het handmatig maken van processchema’s en de analyse van modellen in plaats van data. Omgekeerd schieten traditionele data-mining- and BI-(Business Intelligence)-technieken tekort vanwege de afwezigheid van een duidelijke procesoriëntatie. Eenvoudige dashboards en beslisbomen kijken vaak naar geaggregeerde data of een enkel punt in het totale proces. Process mining is de ontbreken-de schakel tussen enerzijds procesanalyse en herontwerp en anderzijds data-analyse.Uitgangspunt voor process mining zijn de zogenaamde event logs. Events worden beschreven door de casus waartoe ze behoren (bijvoorbeeld een patiënt), de naam van de activiteit, een tijdstempel, en een willekeurig aantal aanvullende attributen (bijvoorbeeld de naam van de arts of leeftijd van de patiënt). Dankzij slimme analysetechnieken die zoeken naar veelvuldig voorkomende patronen is het mogelijk automatisch procesmodellen af te leiden (‘discovery’). Deze modellen geven inzicht in wat er nu echt gebeurt binnen een proces of organisatie. Vaak wijken de gevonden procesmodellen sterk af van de normatieve procesbeschrijvingen die vaak uitgaan van een ideale situatie die weinig met de werkelijkheid te maken heeft. Om afwijkingen tussen een dergelijke geïdealiseerde procesbeschrijving en de daadwerkelijke gang van zaken in kaart te brengen worden er zogenaamde ‘conformance checking’-technieken ingezet. Deze kunnen laten zien wat de mate van compliance is (bijvoorbeeld: ‘80 procent van de events

verlopen volgens plan’) en waar in het proces de grootste afwijkingen te vinden zijn (bijvoorbeeld: ‘deze controleactiviteit wordt veelvuldig overgeslagen’). Indien procesmodel en event log redelijk overeenstemmen is het ook mogelijk het procesmodel te verrijken met additionele informatie uit de log. Het is bijvoorbeeld mogelijk in het procesmodel te laten zien waar de knelpunten zitten (dit op basis van tijdstempels in de log).

OlifantenpadenOm uit te leggen wat process mining is, wordt vaak de metafoor van een olifantenpaadje gebruikt. Een olifantenpad is een niet officieel fiets- of wandelpad dat mensen creëren als ze een stukje van de officiële route afsnijden. Doordat ze hun sporen in het gras of plantsoen achterlaten wordt het werkelijke gedrag zichtbaar. Op eenzelfde wijze kunnen process-miningtechnieken op basis van digitale sporen zichtbaar maken wat mensen, syste-men en organisaties daadwerkelijk doen. Het process-miningspectrum is echter veel breder

PROCESS MINING IS ONTBREKENDE SCHAKEL

Het doel is data omzetten in betere processen en systemen

Data worden verzameld maar niet optimaal gebruikt. De bestaande analysegereedschappen schieten tekort. Process-miningtechnieken, zegt Wil van der Aalst, zijn wel in staat modellen te genereren, waardoor data omgezet kunnen worden in nieuwe inzichten en betrouwbare antwoorden.door: WIL VAN DER AALST beeld: MARC KOLLE

Op dit moment staat ‘Big Data’ volop in de schijnwerpers. Het is voor iedereen duidelijk dat de exponentiële groei van gedigitali-seerde data en rekenkracht grote

invloed zal hebben op onze maatschappij. Alleen organisaties die slim gebruik maken van de stortvloed aan gegevens over het gebruik van producten en diensten zullen overleven. Helaas ligt de nadruk van Big Data-initiatieven vaak op het genereren en opslaan van enorme

hoeveelheden data in plaats van de analyse ervan. Als we een informatiesysteem zien

als een auto en data als de brandstof die het systeem nodig heeft om te functio-neren, dan wordt het probleem duidelijk. Het lijkt erop dat vele partijen bezig zijn auto’s te bouwen die zoveel mogelijk brandstof gebruiken en een zo groot mogelijke tank aan boord hebben. De echte uitdaging is echter auto’s te bouwen

die snel en efficiënt zijn, dat wil zeggen het omzetten van data in betere

processen en systemen. Hier schieten traditionele aanpakken gericht op data

warehouses en simplistische dashboards tekort. Data worden verzameld maar niet optimaal gebruikt. Organisaties weten dat waardevolle antwoorden verborgen zitten in hun informatiesystemen, maar bestaande analysegereedschappen zijn niet in staat deze boven water te halen. Process-miningtechnie-ken zijn wel in staat modellen te genereren waardoor data omgezet kunnen worden in nieuwe inzichten en betrouwbare antwoor-den. Bovendien zijn er steeds betere gereed-schappen beschikbaar om dit snel en efficiënt te doen.

Ontbrekende schakelSteeds meer gebeurtenissen (‘events’) worden geregistreerd en opgeslagen in IT-systemen en dit gebeurt op allerlei niveaus. Denk bijvoor-beeld aan een ziekenhuisinformatiesysteem. Alle afspraken, onderzoeken, onderzoeksresul-taten (bloedproeven, röntgenfoto’s et cetera) en betalingen behorende bij een patiënt worden vastgelegd. Ook op het niveau van

dan het ontdekken van olifantenpaadjes. Het is bijvoorbeeld mogelijk om te ontdekken waarom mensen afwijken van het officiële pad, en waarom delen van het proces langer duren. Olifantenpaden kunnen gebruikt worden om informatiesystemen te verbeteren en mensen op een betere manier aan te sturen. Het doel van process mining is niet om processen in een keurslijf te duwen. Vaak wijken mensen met goede redenen af van het reguliere proces. Hiervan kunnen erg veel orga-nisaties leren. Ook kunnen process-mining-technieken gebruikt worden om te voorspellen wat er gaat gebeuren en om aanbevelingen te doen over de juiste beslissing op basis van historische data. In een ziekenhuis kunnen bijvoorbeeld capaciteitsproblemen voorspeld worden en kan er een alarm afgaan op het moment dat onacceptabele afwijkingen plaatsvinden. Gereedschappen als ProM (zie kader ‘Software’) ondersteunen dit hele spectrum en kunnen dus daadwerkelijk (Big) data omzetten in betere processen en systemen.

TRADITIONELE DATAMINING-TECHNIEKEN SCHIETEN TEKORT

EVENT LOGS ZIJN HET UITGANGSPUNT

Process Mining Tools

2726

Voor reacties en nieuwe bijdragen van IT-experts: Henk Ester, 070 3046812h.ester@automatise-ringgids.nl

ITEXPER

T

»

Wil van der Aalst (www.vdaalst.com) is

universiteitshoogleraar

aan de Technische

Universiteit Eindhoven

(TU/e). Daarnaast heeft

hij deeltijdaanstellingen

bij Queensland

University of Techno-

logy (QUT) in Australië

en de National

Research University Higher School of Economics

in Moskou. Hij is ook de trekker van de IEEE Task

Force on Process Mining.

LANDKAARTEN VAN PROCESSENProcess mining laat zien dat procesmodellen een soortgelijke rol kunnen vervullen als landkaar-ten. In beide gevallen gaat het om een abstractie van de werkelijkheid. Deze vergelijking laat meteen zien dat er voor een proces meerdere modellen mogelijk zijn, net zoals er vaak verschil-lende landkaarten van hetzelfde gebied zijn. Een automobilist heeft bijvoorbeeld een andere kaart nodig dan iemand die per metro reist. Welke landkaart het meest geschikt is hangt af van de vraag die beantwoord moet worden. Ook is het van groot belang actuele informatie te projecteren op de automatisch gegenereerde procesmodellen. Het kan bijvoorbeeld uitermate nuttig zijn de ‘files’ in een organisatie of systeem zichtbaar te maken.

TOEPASSINGENProcess-miningtechnieken zijn al succesvol toegepast in honderden organisaties, uiteenlopend van gemeenten en ziekenhuizen tot de leveranciers van hightech-systemen (ASML, Philips en andere). Tijdens het Process Mining Camp op 28 mei (fluxicon.com/camp/2013) kwamen ongeveer honderd gebruikers van process mining bij elkaar. Tijn van der Heijden van Deloitte liet zien hoe process mining de Rabobank in staat stelde om de betalingsprocessen te stroomlijnen. Process mining wordt hier ingezet om de kosten te reduceren en kwaliteit van de afhandeling te verbeteren. Mitchell Cunning-ham presenteerde een op process mining gebaseerde analyse van de claimprocessen binnen Suncorp, Australië’s grootste verzekeraar. Het gaat hierbij om 600.000 claims per jaar die samen meer dan 50 miljoen events genereren. Youri Soons van de Auditdienst Rijk (de interne auditdienst van de rijksover-heid) liet zien hoe afwijkingen en onregelmatigheden in subsidieverleningstrajecten (bijvoorbeeld WBSO) snel opgespoord kunnen worden. Philipp Horn van Volkswagen liet zien hoe alle inkoopproces-sen van de verschillende merken van Volkswagen AG (Volkswagen, Audi, Seat en Skoda) vergeleken en geanalyseerd kunnen worden met process mining. Deze voorbeelden laten zien dat het gebruik van process mining snel toeneemt en dat in veel organisaties al voldoende event logs beschikbaar zijn voor gedegen analyses.

SoftwareHet open-sourcegereedschap ProM (www.processmining.org) is de de facto stan-daard op het gebied van process mining in de wetenschappelijke wereld. Onder-zoeksgroepen in Nederland, Duitsland, Frankrijk, China, Spanje, Italië, Rusland, Amerika en Australië hebben plug-ins voor ProM ontwikkeld. Het is voor iedereen beschikbaar en biedt in vergelijking met commerciële gereedschappen enorm veel functionaliteit. Binnen het open-sourcegereedschap zijn er meer dan 600 plug-ins beschikbaar die het gehele process-miningspectrum afdekken. ProM is echter vooral bedoeld voor process-miningexperts en minder geschikt voor eindgebruikers. Com-merciële gereedschappen zoals Disco (Fluxicon), Perceptive Process Mining (eerder Futura Reflect), ARIS Process Performance Manager (Software AG), QPR Proces-sAnalyzer, Interstage Process Discovery (Fujitsu), Discovery Analyst (StereoLOGIC) en XMAnalyzer (XMPro) maken process mining geschikt voor een groter publiek. Deze gereedschappen kunnen door eindgebruikers gebruikt worden om de onder-liggende processen te ontdekken en knelpunten op te sporen. In vergelijking met ProM schieten ze echter te kort als het gaat om conformance checking en predictive analytics. Gereedschappen als Disco kunnen direct CSV-files inlezen en omzetten in XES (eXtendible Event Stream) of MXML-(Mining XML)-files. De laatste twee standaardformaten zijn toegesneden op process mining en maken het delen van event-data eenvoudig.

individuele apparaten worden events geregis-treerd. Het maken van een röntgenfoto resulteert in een lawine van events die geanalyseerd worden door de leverancier die wil weten hoe het röntgenapparaat echt gebruikt wordt en wanneer en waarom het apparaat soms stukgaat. Het ‘Internet of Things’ (IoT) waarbij ook eenvoudige appara-ten (van koelkast tot kopieerapparaat) gebeurtenissen registreren en delen, is steeds meer een realiteit.Klassieke technieken voor procesanalyse en herontwerp maken geen gebruik van de grote hoeveelheden data die vandaag de dag beschikbaar zijn. De nadruk ligt op het handmatig maken van processchema’s en de analyse van modellen in plaats van data. Omgekeerd schieten traditionele data-mining- and BI-(Business Intelligence)-technieken tekort vanwege de afwezigheid van een duidelijke procesoriëntatie. Eenvoudige dashboards en beslisbomen kijken vaak naar geaggregeerde data of een enkel punt in het totale proces. Process mining is de ontbreken-de schakel tussen enerzijds procesanalyse en herontwerp en anderzijds data-analyse.Uitgangspunt voor process mining zijn de zogenaamde event logs. Events worden beschreven door de casus waartoe ze behoren (bijvoorbeeld een patiënt), de naam van de activiteit, een tijdstempel, en een willekeurig aantal aanvullende attributen (bijvoorbeeld de naam van de arts of leeftijd van de patiënt). Dankzij slimme analysetechnieken die zoeken naar veelvuldig voorkomende patronen is het mogelijk automatisch procesmodellen af te leiden (‘discovery’). Deze modellen geven inzicht in wat er nu echt gebeurt binnen een proces of organisatie. Vaak wijken de gevonden procesmodellen sterk af van de normatieve procesbeschrijvingen die vaak uitgaan van een ideale situatie die weinig met de werkelijkheid te maken heeft. Om afwijkingen tussen een dergelijke geïdealiseerde procesbeschrijving en de daadwerkelijke gang van zaken in kaart te brengen worden er zogenaamde ‘conformance checking’-technieken ingezet. Deze kunnen laten zien wat de mate van compliance is (bijvoorbeeld: ‘80 procent van de events

verlopen volgens plan’) en waar in het proces de grootste afwijkingen te vinden zijn (bijvoorbeeld: ‘deze controleactiviteit wordt veelvuldig overgeslagen’). Indien procesmodel en event log redelijk overeenstemmen is het ook mogelijk het procesmodel te verrijken met additionele informatie uit de log. Het is bijvoorbeeld mogelijk in het procesmodel te laten zien waar de knelpunten zitten (dit op basis van tijdstempels in de log).

OlifantenpadenOm uit te leggen wat process mining is, wordt vaak de metafoor van een olifantenpaadje gebruikt. Een olifantenpad is een niet officieel fiets- of wandelpad dat mensen creëren als ze een stukje van de officiële route afsnijden. Doordat ze hun sporen in het gras of plantsoen achterlaten wordt het werkelijke gedrag zichtbaar. Op eenzelfde wijze kunnen process-miningtechnieken op basis van digitale sporen zichtbaar maken wat mensen, syste-men en organisaties daadwerkelijk doen. Het process-miningspectrum is echter veel breder

PROCESS MINING IS ONTBREKENDE SCHAKEL

Het doel is data omzetten in betere processen en systemen

Data worden verzameld maar niet optimaal gebruikt. De bestaande analysegereedschappen schieten tekort. Process-miningtechnieken, zegt Wil van der Aalst, zijn wel in staat modellen te genereren, waardoor data omgezet kunnen worden in nieuwe inzichten en betrouwbare antwoorden.door: WIL VAN DER AALST beeld: MARC KOLLE

Op dit moment staat ‘Big Data’ volop in de schijnwerpers. Het is voor iedereen duidelijk dat de exponentiële groei van gedigitali-seerde data en rekenkracht grote

invloed zal hebben op onze maatschappij. Alleen organisaties die slim gebruik maken van de stortvloed aan gegevens over het gebruik van producten en diensten zullen overleven. Helaas ligt de nadruk van Big Data-initiatieven vaak op het genereren en opslaan van enorme

hoeveelheden data in plaats van de analyse ervan. Als we een informatiesysteem zien

als een auto en data als de brandstof die het systeem nodig heeft om te functio-neren, dan wordt het probleem duidelijk. Het lijkt erop dat vele partijen bezig zijn auto’s te bouwen die zoveel mogelijk brandstof gebruiken en een zo groot mogelijke tank aan boord hebben. De echte uitdaging is echter auto’s te bouwen

die snel en efficiënt zijn, dat wil zeggen het omzetten van data in betere

processen en systemen. Hier schieten traditionele aanpakken gericht op data

warehouses en simplistische dashboards tekort. Data worden verzameld maar niet optimaal gebruikt. Organisaties weten dat waardevolle antwoorden verborgen zitten in hun informatiesystemen, maar bestaande analysegereedschappen zijn niet in staat deze boven water te halen. Process-miningtechnie-ken zijn wel in staat modellen te genereren waardoor data omgezet kunnen worden in nieuwe inzichten en betrouwbare antwoor-den. Bovendien zijn er steeds betere gereed-schappen beschikbaar om dit snel en efficiënt te doen.

Ontbrekende schakelSteeds meer gebeurtenissen (‘events’) worden geregistreerd en opgeslagen in IT-systemen en dit gebeurt op allerlei niveaus. Denk bijvoor-beeld aan een ziekenhuisinformatiesysteem. Alle afspraken, onderzoeken, onderzoeksresul-taten (bloedproeven, röntgenfoto’s et cetera) en betalingen behorende bij een patiënt worden vastgelegd. Ook op het niveau van

dan het ontdekken van olifantenpaadjes. Het is bijvoorbeeld mogelijk om te ontdekken waarom mensen afwijken van het officiële pad, en waarom delen van het proces langer duren. Olifantenpaden kunnen gebruikt worden om informatiesystemen te verbeteren en mensen op een betere manier aan te sturen. Het doel van process mining is niet om processen in een keurslijf te duwen. Vaak wijken mensen met goede redenen af van het reguliere proces. Hiervan kunnen erg veel orga-nisaties leren. Ook kunnen process-mining-technieken gebruikt worden om te voorspellen wat er gaat gebeuren en om aanbevelingen te doen over de juiste beslissing op basis van historische data. In een ziekenhuis kunnen bijvoorbeeld capaciteitsproblemen voorspeld worden en kan er een alarm afgaan op het moment dat onacceptabele afwijkingen plaatsvinden. Gereedschappen als ProM (zie kader ‘Software’) ondersteunen dit hele spectrum en kunnen dus daadwerkelijk (Big) data omzetten in betere processen en systemen.

TRADITIONELE DATAMINING-TECHNIEKEN SCHIETEN TEKORT

EVENT LOGS ZIJN HET UITGANGSPUNT

3

Intelligence), Interstage Automated Process Discovery (Fujitsu), OKT Process Mining suite (Exeura), Process Discovery Focus (Iontas/Verint), ProcessAnalyzer (QPR), ProM (TU/e), Rbminer/Dbminer (UPC) en Reflect one (Pallas Athena). De groeiende interesse in op logs gebaseerde procesanalyse was de aanzet om een Task Force on Process Mining op te richten.

De Task Force werd opgericht in 2009 in de context van het Data Mining Technical Committee (DMTC) van de Computational Intelligence Society (CIS) van het Institute of Electrical and Electronic Engineers (IEEE). De huidige leden van de Task Force bestaan uit softwareleveranciers (bijvoorbeeld Pallas Athena, Software AG, Futura Process Intelligence, HP, IBM, Infosys, Fluxicon, Businesscape, Iontas/Verint, Fujitsu, Fujitsu Laboratories, Business Process Mining, Stereologic), consultancy firma's/eindgebruikers (bijvoorbeeld ProcessGold, Business Process Trends, Gartner, Deloitte, Process Sphere, Siav SpA, BPM Chili, BWI Systeme GmbH, Excellentia BPM, Rabobank) en onderzoeksinstellingen (bijvoorbeeld TU/e, University of Padua, Universitat Politècnica de Catalunya, New Mexico State University, IST - Technical University of Lisbon, University of Calabria, Penn State University, University of Bari, Humboldt-Universität zu Berlin, Queensland University of

Technology, Vienna University of Economics and Business, Stevens Institute of Technology, University of Haifa, University of Bologna, Ulsan National Institute of Science and Technology, Cranfield University, K.U. Leuven, Tsinghua University, University of Innsbruck, University of Tartu).

Sinds het ontstaan in 2009 werden een reeks activiteiten georganiseerd in het kader van bovenstaande doelstellingen. Zo werden bijvoorbeeld verschillende workshops en speciale tracks ge(co-)organiseerd door de Task Force, bijvoorbeeld de workshops over Business Process Intelligence (BPI'09, BPI'10, en BPI'11) en speciale tracks op de grote IEEE conferenties (bijvoorbeeld CIDM'11). Kennis werd verspreid via tutorials (bijvoorbeeld

WCCI'10 en PMPM'09), summer schools (ESSCaSS'09, ACPN'10, CICH'10, enz.), video's (zie www.processmining.org) en verschillende publicaties, zoals ook het eerste boek over process mining dat recent werd gepubliceerd bij Springer.

De Task Force was ook (co-)organisator van de eerste Business Process Intelligence Challenge (BPIC'11): een wedstrijd waarbij deelnemers betekenisvolle resultaten uit grote en complexe event logs moeten halen. In 2010 standaardiseerde de Task Force ook XES (www.xes-standard.org), een standaard bestandsformaat voor logging dat uitbreidbaar is en ondersteund wordt door de OpenXES bibliotheek (www.openxes.org) en door tools zoals ProM, XESame, Nitro, enz.

De lezer wordt uitgenodigd om op http://www.win.tue.nl/ieeetfpm/ te kijken voor meer informatie over de activiteiten van de Task Force.

2. Process Mining:

Stand van ZakenDe groeiende mogelijkheden van informatiesystemen en andere intensieve systemen worden goed beschreven door de wet van Moore. Gordon Moore, de co-oprichter van Intel, voorspelde in 1965 dat het aantal componenten in geïntegreerde circuits elk jaar zou verdubbelen. Gedurende de laatste vijftig jaar was de groei inderdaad exponentieel, zij het wel aan een iets trager tempo. Deze vooruitgang resulteerde in een spectaculaire groei van het "digitale universum" (alle gegevens die elektronisch worden opgeslagen of

Figuur 2: Positionering van de drie basistypes van process mining: (a) discovery (ontdekken), (b) conformance checking (controleren) en (c) enhancement (verbeteren).

Process Mining Boek

www.processmining.org/book/

W.M.P. van der Aalst. Process

Mining: Discovery, Conformance and Enhancement of Business

Processes. Springer-Verlag,

Berlin, 2011.

modelleertanalyseert

discovery(ontdekken)

registreertevents,

b.v., berichten,

transacties, enz.

specificeertconfigureert

implementeertanalyseert

ondersteunt/controleert

enhancement(verbeteren)

conformance(controleren)

mensen machines

organisatiescomponenten

bedrijfs-processen

Relevante begrippen uit de VISI-standaard en hun onderlinge relaties

logbestand heeft nog geen case ids.

Fragment XES-bestand

Globale analyse van de logbestanden

proces mining met fuzzy algoritme