Procesmining met locatiegegevens uit RTLS-systemen

Introductie

Procesmining is een krachtige techniek om bedrijfsprocessen te analyseren, te monitoren en te verbeteren door inzichten te halen uit event logs die informatiesystemen genereren. Door gegevens te bekijken die tijdens dagelijkse operaties worden vastgelegd - zoals tijdstempels, activiteitsnamen, case-ID's en gebruikers - laat procesmining zien hoe processen in de praktijk echt verlopen en brengt het inefficiënties, afwijkingen en knelpunten aan het licht die anders onopgemerkt blijven.

Procesmining wordt breed toegepast in sectoren zoals logistiek, gezondheidszorg, financiën en maakindustrie. In logistiek helpt het magazijnprocessen te optimaliseren, goederenstromen te volgen en leverbetrouwbaarheid te verbeteren. In gezondheidszorg ondersteunt het ziekenhuizen en klinieken bij het analyseren van patiënttrajecten, het verkorten van wachttijden en het stroomlijnen van zorgprocessen. Financiële instellingen gebruiken het om naleving van regelgeving te bewaken, procesafwijkingen op te sporen en onboardingflows voor klanten te verbeteren. In maakindustrie levert het waardevolle inzichten op in de prestaties van productielijnen, identificeert het vertragingen in kwaliteitscontrole en brengt het kansen aan het licht om workloads beter te verdelen of doorlooptijden te verkorten.

Door operationele processen transparant te maken, laat procesmining organisaties verder kijken dan aannames en zich baseren op echte data voor procesverbetering, compliancecontroles en strategische besluitvorming.

In deze blogpost lopen we door een concreet procesminingvoorbeeld op basis van locatiegegevens binnenshuis uit een echte productiestroom. Met event logs die worden gegenereerd op basis van RTLS-data laten we zien hoe je processen kunt visualiseren, valideren en optimaliseren met tools zoals Celonis, IBM Process Mining en PM4Py in Python. U kunt de voorbeelddataset en scripts hier downloaden om mee te volgen of het met uw eigen tools te proberen:

‍

Voordelen en hoofdvormen van procesmining

Voordat we in het voorbeeld duiken, introduceren we eerst de drie hoofdvormen van procesmining:

1. Procesontdekking

Wat het doet: maakt automatisch een procesmodel op basis van echte eventlogdata. Voordelen:

• Laat zien hoe processen echt verlopen, inclusief verborgen paden en varianten.
• Er zijn geen vooraf bestaande modellen nodig - het model wordt direct uit data opgebouwd.
• Helpt organisaties om de operationele realiteit te vergelijken met de verwachting.

2. Conformance checking

Wat het doet: vergelijkt het werkelijke proces op basis van logs met een bestaand referentiemodel.

• Detecteert afwijkingen, inefficiënties en complianceproblemen.
• Ondersteunt audits en regelgevingscontroles.
• Brengt in kaart waar processen afwijken van standaardprocedures.

3. Procesverbetering

Wat het doet: verbetert bestaande procesmodellen op basis van inzichten uit echte data.

• Identificeert knelpunten, vertragingen en optimalisatiemogelijkheden.
• Verfijnt processen op basis van operationele prestaties.
• Ondersteunt continue procesverbetering en besluitvorming.

In de volgende secties laten we zien hoe gebruikers bestaande procesminingtools kunnen inzetten om locatiegegevens binnenshuis en eventlogs te gebruiken voor deze drie categorieën binnen hun eigen processen.

‍

Locatiegegevens toevoegen aan traditionele procesmining

Hoe event logs meestal worden vastgelegd

In de meeste procesminingtoepassingen komen event logs uit bedrijfssystemen zoals ERP, MES of WMS. Die systemen genereren logs wanneer een gebruiker een digitale actie uitvoert, zoals een barcode scannen, een order bevestigen of een taak afronden. Elke log bevat drie kernonderdelen: een case-ID, een activiteitsnaam en een tijdstempel.

Dat werkt goed voor digitale workflows, maar schiet tekort wanneer belangrijke processtappen zich in de fysieke wereld afspelen, zoals het verplaatsen van goederen door een fabriek of het overbrengen van patiënten in een ziekenhuis.

Hoe locatiegegevens procesmining versterken

Door real-time locatiegegevens met geofencing te gebruiken, kunnen gebeurtenissen automatisch worden gelogd op basis van fysieke beweging. Bijvoorbeeld:

• Een pallet die een productiezone binnenkomt, triggert 'Start productie'
• Een heftruck die aankomt in de verzendzone, triggert 'Klaar voor verzending'

Deze methode genereert volledig gestructureerde event logs zonder handmatige invoer, wat ideaal is voor productie, logistiek of gezondheidszorg, waar veel processtappen niet digitaal worden gevolgd.

Voordelen van deze aanpak:

• Legt echte handelingen vast die softwarelogs missen
• Automatiseert logging zonder tussenkomst van medewerkers
• Geeft de werkelijke processtroom weer, niet alleen de geplande stroom

Het toevoegen van locatiegebaseerde data overbrugt de kloof tussen fysieke operaties en procesmining en maakt een vollediger en nauwkeuriger procesanalyse mogelijk.

‍

Hoe het Pozyx Platform de data voor procesmining levert

Het voorbeeld dat we bespreken, komt uit een productiebedrijf met twee productielijnen. Elk order moet verschillende locaties in de fabriek doorlopen voordat het klaar is voor verzending naar de klant.

De klant wil automatisch inzicht krijgen in zijn productieproces. Om dat te bereiken, wordt elk order in de fabriek gevolgd.

Realtime ordertracking via UWB-technologie

Voor deze tracking worden de orders die door het proces stromen gevolgd met UWB-tags. Deze trackers maken een nauwkeurige opvolging van de orders mogelijk en helpen bepalen hoeveel tijd een order in een bepaalde locatie doorbrengt, die op de kaart wordt gedefinieerd als een geofence.

Deze taak kan worden uitgevoerd door het Pozyx UWB Real Time Location System (RTLS). Dit product levert de benodigde hardware (tags en anchors) en de positioneringsserver die realtime positie-updates van elk order doorgeeft.

Van positiedata naar event logs: de rol van het Pozyx Platform

De posities die uit het RTLS komen, kunnen eenvoudig worden verwerkt door het Pozyx Platform. Het Pozyx Platform laat gebruikers bedrijfslogica toevoegen aan locatiegegevens. Concreet kan een gebruiker binnen het platform een proces configureren dat bepaalt wanneer een order start en eindigt. Zodra dit is ingesteld, genereert het Pozyx Platform een event stream die elk order en zijn locatiegeschiedenis volgt.

Het is belangrijk om te vermelden dat het Pozyx Platform naadloos integreert met het Pozyx UWB RTLS, maar daar niet toe beperkt is. Elke nauwkeurige RTLS-oplossing die betrouwbare positie-updates kan leveren, kan worden gekoppeld aan het Pozyx Platform om de mogelijkheden die volgen te ontsluiten.

Zodra de configuratie klaar is, is de eenvoudigste volgende stap om onze rapportagetool te gebruiken om automatisch een procesminingrapport te genereren. Dat rapport, geleverd als een Excel- of CSV-bestand, kan vervolgens worden geïmporteerd in gespecialiseerde procesminingtools voor verdere analyse.

‍

Analyse van het procesminingvoorbeeld

We zullen nu enkele basistechnieken van procesmining illustreren met bekende tools voor procesmining.

Eerste blik op ons proces met Celonis Business Miner

We laden eerst ons rapport in de procesminingapplicatie van Celonis.

Eerst uploaden we ons CSV- of Excel-bestand met het event log. Zodra het is geüpload, kunnen we de applicatie configureren zodat de kolommen met de belangrijkste informatie worden herkend: tijdstempel, activiteitsnaam en case-ID.

Met de process explorer kunnen we het proces dat we met het RTLS-systeem hebben gevolgd eenvoudig visualiseren.

De explorer geeft de gebruiker daarna een direct overzicht van de verschillende aspecten die verder kunnen worden geanalyseerd.

Het eerste wat we zullen verkennen, is de vraag: Hoe ziet uw proces eruit? Dit hoort bij procesontdekking en stelt de gebruiker in staat om het proces te visualiseren.

Daaruit zien we duidelijk dat orders beginnen met de taak Goederenontvangst en vervolgens verdergaan in een van twee productielijnen.

Het proces eindigt nadat het order de locatie Verpakken & Verzenden verlaat.

De tool biedt ons ook schuifregelaars waarmee we minder voorkomende paden kunnen filteren. Wanneer we alle paden tonen, worden twee extra paden zichtbaar.

De identificatie van deze twee paden is een voorbeeld van conformance checking. Door deze weergave te onderzoeken, zien we dat de processtroom soms niet werd gevolgd.

In de eerste afwijking zien we dat op de eerste productielijn de stap testen voor meerdere orders werd overgeslagen. Dit wijst waarschijnlijk op een mogelijk kwaliteitsprobleem op die productielijn.

In de tweede afwijking zien we dat sommige producten na producttesten terug werden gestuurd naar een eerdere stap. Dat suggereert dat bepaalde afgewerkte producten problemen ondervonden tijdens het testen en opnieuw moesten worden bewerkt.
‍

Deze eerste stappen laten ons snel de voordelen en de waarde zien van het gebruik van een procesminingtool om de data verder te analyseren. Op basis van alleen het event log konden we ons proces visualiseren zoals het in de fabriek verloopt en konden we de procesconformiteit valideren.

Laten we nu dieper ingaan op de derde techniek: Procesverbetering.
We starten een nieuwe verkenning met de vraag: hoe lang duurt uw proces?

In deze verkenning analyseert de tool de doorlooptijd van ons proces. Het blijkt dat 1,68K cases zijn onderzocht, waarvan 94% een doorlooptijd van drie dagen of minder heeft.

Dit soort overzicht is ongelooflijk nuttig, omdat het meteen inzicht geeft in de verwachte doorlooptijd. Het levert ook een eenvoudig te volgen KPI op voor de installatie, omdat de gebruiker de verwachte doorlooptijd kan aanpassen en direct kan zien hoe de huidige verdeling zich verhoudt.

Daarnaast laat de tool toe om een diepere analyse uit te voeren, zodat u de evolutie van de doorlooptijd in de tijd kunt volgen en trends, afwijkingen of periodes van verbetering en vertraging kunt herkennen.

Het is ook mogelijk om verder in te zoomen op de doorlooptijd tussen taken en het aantal cases per dag te bekijken, maar dit geeft al een goed eerste beeld van wat er met deze tool mogelijk is.

Doorlooptijd en wachttijden analyseren met IBM Process Mining

Met IBM Process Mining volgen we een zeer vergelijkbare workflow om ons event log in de tool te uploaden. Zoals eerder moeten we aangeven welke kolommen overeenkomen met de Case ID (hier aangeduid als Process ID), activiteit en tijdstempel. Een belangrijk verschil is echter dat IBM Process Mining ons toelaat twee aparte kolommen te labelen: één voor de starttijd en één voor de eindtijd. Daardoor kan de tool duidelijk onderscheid maken tussen de tijd die aan een activiteit wordt besteed en de wachttijd tussen activiteiten - een functie die in Celonis Business Miner minder vanzelfsprekend beschikbaar is.

Zodra het event log correct is geconfigureerd en gelabeld, toont de tool zijn analyse van het proces. De visuele weergave van het procesmodel lijkt sterk op die van Celonis.

Een functie die het vermelden waard is, is de mogelijkheid om een 'Rework'-optie te selecteren. Door deze te activeren, wordt automatisch het deel van het proces gemarkeerd dat eerder als rework werd geïdentificeerd. Indrukwekkend genoeg voert de tool deze variantanalyse uit zonder extra input van de gebruiker.

Vervolgens gebruiken we deze tool om kansen voor procesoptimalisatie en -verbetering te verkennen. Door de analytics te bekijken, zien we snel een onbalans in de werkbelasting tussen de twee productielijnen: Productielijn 2 verwerkt ongeveer 65% van alle orders. Daarnaast is er een duidelijk verschil in doorlooptijden. Gemiddeld worden orders op Productielijn 1 afgerond in 2 dagen en 9 uur, tegenover 2 dagen en 16 uur op Productielijn 2.

Op het eerste gezicht lijkt het dus mogelijk de efficiëntie te verbeteren door meer orders naar Productielijn 1 te verschuiven, die momenteel minder wordt benut en een snellere doorlooptijd heeft.

We onderzoeken vervolgens het procesmodel om de gemiddelde duur van elke taak te bekijken. Zoals eerder opgemerkt, splitst de tool elke taak handig op in twee delen: servicetijd en wachttijd.

De resulterende visualisatie maakt het eenvoudig om deze tijden in elke stap van het proces te identificeren. Duidelijke verschillen tussen de twee productielijnen worden zichtbaar en bieden extra optimalisatiemogelijkheden na verder onderzoek.

Het event log analyseren met Python

Als laatste stap in deze analyse bekijken we hoe we het event log kunnen visualiseren met Python. Om procesmining in Python uit te voeren, gebruiken we de bibliotheek PM4Py. Deze bibliotheek ondersteunt state-of-the-art procesmining-algoritmen in Python. In tegenstelling tot de vorige tools is deze tool open source. Het nadeel is echter dat u het grootste deel van de analyse zelf moet doen, omdat er geen interface is die u door de data-exploratie begeleidt.

We proberen enkele resultaten te reproduceren die ook met de eerdere tools werden gevonden. Eerst importeren we ons event log en proberen we een visualisatie van ons procesmodel te krijgen.

De manier waarop we het event log laden, lijkt sterk op die van eerder:

• We laden het event log met pandas, een zeer populaire Python-bibliotheek voor data-analyse.
• We labelen de kolommen met case ID, activiteit, start- en eindtijdstempel.

Ook het procesmodel kunnen we vrij eenvoudig uit het event log halen. In een van de basisweergaven toont het ons een gerichte graaf van het proces met de frequentie van elke order op de knopen en randen.

Verder onderzoek is mogelijk, net als de extractie van het BPMN-model. Maar we ronden ons overzicht hier af. Een deel van de voorbeeldcode die voor deze figuur is gebruikt, vindt u in de bijlage.

‍

Locatiegebaseerde inzichten met RTLS

Zoals blijkt uit het voorbeeld hierboven, kan locatiegegevens veel verschillende soorten inzichten genereren. Hoewel RTLS-oplossingen vaak worden gebruikt om assetbewegingen en operationele processen binnen faciliteiten te analyseren, richten andere analyticsplatformen zich op geografische patronen over meerdere locaties. Retailers kunnen bijvoorbeeld winkelnetwerken analyseren om inzichten in klantbeleving per locatie te verkrijgen, wat een andere vorm van locatiegebaseerde inzichten biedt.

‍

Conclusie

Dit voorbeeld benadrukt de waarde van procesmining in combinatie met hoogwaardige locatiegegevens, en hoe daarmee bruikbare inzichten in operationele processen kunnen worden blootgelegd. Dit voorbeeld liet zien hoe het Pozyx Platform het cruciale locatiegebaseerde event log kan leveren dat de basis vormde voor de volledige analyse.

Door de verplaatsing van orders door het productieproces nauwkeurig te volgen en die locatie-updates om te zetten in gestructureerde event logs, maakte onze oplossing een naadloze integratie mogelijk met toonaangevende procesminingtools zoals Celonis Business Miner, IBM Process Mining en de open source PM4Py-bibliotheek in Python. Elke tool gebruikte het event log dat wij leverden om de werkelijke processtromen te visualiseren, afwijkingen te identificeren, doorlooptijden te meten en optimalisatiemogelijkheden te ontdekken.

De resultaten tonen duidelijk de toegevoegde waarde van het combineren van locatiegegevens met procesminingtechnieken aan - het legt inefficiënties bloot, bevestigt procesconformiteit en ondersteunt datagedreven besluitvorming.

Hoewel dit voorbeeld zich richtte op een use case in de maakindustrie, is dezelfde aanpak toepasbaar in sectoren zoals logistiek, gezondheidszorg en daarbuiten. Als leverancier van de RTLS-infrastructuur en eventdata stellen wij onze klanten in staat dit potentieel in hun eigen processen te benutten.

Als u diepere operationele inzichten wilt krijgen of uw processen wilt optimaliseren, kunnen onze Pozyx UWB RTLS en Pozyx Platform de perfecte basis vormen voor uw volgende procesminingproject.