Время прочтения: 3 мин.

Большинство организаций, предоставляющие услуги большому количеству клиентов рано или поздно задумываются о внедрении электронной системы управления очередью. Это позволяет не только сделать ожидание клиента в очереди максимально комфортным, но и спрогнозировать нагрузку на сотрудников и равномерно ее распределить в пиковые дни.

Нам, внутренним аудиторам, было интересно понять, как можно улучшить данный процесс: выявить неэффективности и отклонения от целевого процесса, имея в наличии только записи логов по талонам системы (а их, на минуточку, около 12 млн. за месяц)

Для анализа процесса мы выбрали метод Рrocess Mining, потому что он не интересуется низкоуровневыми закономерностями в исходных логах и не пытается принимать решения на их основе, а использует их для визуализации процессов. Процесс включал в себя 4 этапа:

Начальным шагом к решению задачи было оценить качество данных, насколько они пригодны для анализа и дальнейшего использования.  

Результатами предобработки стало сокращение выборки на 45%, что позволило эффективнее анализировать визуализацию процесса. Для этого мы:

— частично устранили тех. ошибку автоматизированной системы (вызов талона фиксировался раньше его получения)

—  очистили технические записи (изменение статуса окна, изменение тактики обслуживания, вызов/сброс талона после закрытия операционного дня отделения (например, 23:59), потому что они не несли смысловой нагрузки (отделение заканчивает работать максимум в 20:00), значит нет смысла анализировать их.

 — исключили талонов, перенаправленных на кассу для завершения операции

Как выяснилось позже, выгрузка не содержала уникальных идентификаторов талонов, что было критичным, поэтому мы создали их искусственно, объединив несколько полей:

data['case:concept:name'] = data['SUO_ID']+data['Ticket_ID']+ data['Event_DTTM1'] 

Далее следовал самый важный этап – построение графа и его анализ.

Визуально анализируя граф, мы заметили, что в процессе слишком много зацикленности, что не соответствует действительности.

Было выявлено, что «получение талона» и «вызов происходило» в одно и тоже время, для этого изменили время, что улучшило качество визуализации и стало легче анализировать граф. Для всего это использовался Python и библиотека Pm4Py. Лучшее качество показал Heuristic miner, так же граф этого майнера прост для анализа и понятен.

По итогам проекта аудиторами были направлены рекомендации по улучшению данного процесса, что позволит оптимизировать расходы на оплату труда недобросовестным сотрудникам.