Hvad er forskellen på process mining og data mining

Data mining og process mining er nogle af de begreber der er meget fremme, når snakken falder på big data.

Big data er data, der findes overalt og det er analysen af disse data, der har født og givet navn til en række teknikker - heriblandt Data Mining og Process Mining.

Både Data Mining og Process Mining går ind under den betegnelse, der kaldes Business Intelligence. Business Intelligence dækker over teknikker og værktøjer, der bruges til at analysere store mængder digitale data og hente værdifuld forretningsviden ud af dem. Og det gør både data mining teknikker og process mining teknikker - dog med forskelligt perspektiv på analysen og det resultat de frembringer.

Lad os se på nogle af lighederne mellem de to:

Begge teknikker benyttes til at analysere store data mængder, som det ville være umuligt at analysere manuelt
Begge teknikker frembringer information, der kan bruges til at træffe forretningsmæssige valg
Begge teknikker bruger "mining teknikker" hvor algoritmer traver gennem store data mængder og leder efter mønstre og sammenhænge

Der er naturligvis en del ligheder, da begge teknikker kan katagoriseres som Business Intelligence. Men som nævnt har de to teknikker forskellige perspektiver og forskelle.

Forskellene mellem Data Mining og Process Mining

Data mining teknikker benytter multidimensionelle views (kuber) på data mændger, hvor der kan drilles op og ned i niveauerne. For eksempel kan et salg af et produkt have de relaterede dimensioner pris, produktkategori, kunde, region, land, område, dag, måned, kvartal, år og så videre og det er så muligt at slice og se på kuben af data og aggregerede data på forskellige måder.
Data mining teknikker bliver primært brugt til at finde mønstre i store data sæt. Med data mining teknikker kan man måske finde ud af, at det er bestemte kunde kategorier, der efterspørger et bestemt produkt, eller at de kunder der hyppigst køber produkt A også er dem der hyppigst køber produkt B, eller at de produkter der står på et bestemt sted i butikken samtidigt med der køres kampagne for dem, også er dem der sælger bedst. Jeg kan huske et engelsk varehus der, gennem data mining teknikker, fandt ud af, at de kunder der omsatte mest også var dem der oftest købte en helt speciel italiensk ost, der ellers ikke var meget omsætning på. Traditionelt forsøger detailhandlen at fjerne produkter med meget lav omsætningshastighed og erstatte dem med varer med bedre salg - problemet er bare at fjernelsen af varer efter det princip kunne føre til, at de bedst omsættende kunder, måtte søge et andet sted hen.
Inputtet til data mining er tabeller med data
Process mining bliver ikke brugt til at finde årsags mønstre, men snarere til at finde sammenhænge i data. Sammenhænge der giver overblik over processer og hvilke aktiviteter der er i processen, samt afvigelser og proces performance såsom gennemløbstid, flaskehalse og uhensigtsmæssigheder.
Process minings perspektiv er ikke på mønstre i data men på den proces som data repræsenerer.
Formålet med process mining er at finde information om forretningens processer
Inputtet til process mining analyse er event logs, audit trails, data stemplet i systemer og hændelser.

Process Mining danner bro mellem data mining og Business Process Management

Process mining er det "missing link" mellem data mining og traditional BPM (Business Process Management). Data mining giver værdifuld indsigt gennem analyse af data, men er generelt ikke centreret omkring processer. Det er her process mining kommer ind i billedet og giver muligheden for at få de samme fordele, der er ved data mining under arbejdet med processer og procesforbedringer.

Proces kortlægning kan foretages med mining teknikker i stedet for brown-paper workshops og interviews. Og proces performance analyse kan foretages på eksisterende data med mining teknikker uden først at indsamle data gennem arbejdsstudier.