Luchtfoto van een verlichte straatkruising 's nachts met een netwerk van wegen.

Process mining voor AI-automatisering

Process mining laat zien hoe werk in werkelijkheid door systemen loopt: niet zoals het proceshandboek het beschrijft, maar zoals gebeurtenissen in systeemlogs ze vastleggen. Je leest welke inzichten bruikbaar zijn om automatisering te kiezen en waarom logdata alleen nooit het hele procesverhaal vertelt.

Wat process mining uit systeemlogs haalt

Process mining zet gebeurtenisdata uit je bedrijfssoftware om in tastbare inzichten. Je kijkt bijvoorbeeld naar het moment waarop een bestelling wordt aangemaakt, goedgekeurd of afgesloten. Zolang die acties aan één bestelling of dossier vastzitten (en allebei een tijdstip hebben), krijg je vanzelf het hele procespad. Zo zie je welke activiteiten steeds terugkomen, wat eerst komt en wat daarna, en hoe lang het allemaal duurt.

Daarmee krijg je meer dan je uit interviews of workshops haalt. Medewerkers vertellen vooral hoe het hoort. Uit de data blijkt wat echt geregistreerd staat. Je ziet bijvoorbeeld dat facturen soms terug moeten voor herkeuring, of dat dossiers regelmatig veel langer blijven liggen dan gepland. Ook onverwachte routes duiken op, zelfs als niemand die route ooit formeel heeft uitgetekend.

Process mining vertelt je niet meteen waarom iets gebeurt. Drie dagen vertraging? Kan door vakanties komen, of omdat iemand pas later het juiste vakje aanklikt. Je moet zelf verder zoeken naar de oorzaak. Grijp dus niet direct naar automatisering alleen omdat een grafiek raar oogt. Eerst het probleem begrijpen, dan pas iets veranderen.

Eventlogs bruikbaar maken met cases, activiteiten en tijdstippen

Met alleen een eventlog ben je er in feite nog niet. Je moet gebeurtenissen aan het goede object hangen. Dat object heet meestal case: een order, klantaanvraag, retourzending, noem maar op. Voor elke gebeurtenis wil je sowieso weten: welke stap was dit, wanneer gebeurde het? Ontbreekt een uniek case-ID, dan vliegt alles door elkaar en krijg je valse routes. Geen duidelijke activiteitennamen? Dan weet je niet of twee meldingen wel of niet bij elkaar horen.

Meestal staan je gegevens verspreid over meerdere systemen. Je vindt de aanvraag in CRM, de order in ERP, uitzonderingen in een ticketplatform. Eén gemeenschappelijk nummer maakt koppelen makkelijk, maar dat lukt lang niet altijd. Soms maak je combinaties van klantnummer, documentnummer en tijdvak. Maar let dan op: een te brede selectie voegt meerdere cases samen, te streng sluit juiste gebeurtenissen juist uit.

Kijk uit met tijden. Betekent het tijdstip wanneer iemand handelde, wanneer het systeem het opsloeg, of is het van een nachtelijke batch? Tijdzoneproblemen, correcties, langzame syncs: ze beïnvloeden gek genoeg alsnog de volgorde. Spreek dus af welke timestamp telt en steekproef je data tegen het bronsysteem. Begin niet te groot. Eén proces, één objecttype en een duidelijke periode werken soms veel effectiever. Dat geeft snel een betrouwbaar beeld.

Procesvarianten onthullen waar de standaardroute afwijkt

In vrijwel elk process model duiken varianten op. Stel: de meeste bestellingen lopen direct door, maar sommige gaan een extra keer langs de goedkeuringsstap, worden gecorrigeerd of blijken na een fout opnieuw ingevoerd. Zo'n afwijkende route is niet meteen verspilling. Soms is een omweg nodig, bijvoorbeeld bij een groot bedrag of een nieuwe leverancier. Vraag je eerst af: hoort deze variant er gewoon bij, of kan het makkelijker?

Voeg eigenschappen toe aan je cases: productgroep, kanaal, klantsegment, bedrag. Je spot sneller of een afwijking ergens vandaan komt. Maar wees alert. Een piepklein segment laat met weinig dossiers gekke verdelingen zien, die in het echt nauwelijks wat zeggen. Combineer relatieve aandelen met absolute volumes en kijk of de gekozen periode typisch is, bijvoorbeeld in een druk seizoen.

Maak je model niet te simpel. Als alleen de hoofdroute overblijft, verdwijnen kwetsbare uitzonderingen uit beeld en daar kan automatisering stuk op gaan. Neem ook niet elke kleine logverschil als nieuwe procesvariant, anders zie je door de bomen het bos niet. Groepeer activiteiten pas nadat je begrijpt wat ze echt betekenen. En hou uitzonderingen zichtbaar als die echt impact hebben: op risico's, op hoe klanten behandeld worden, of bij keuzes die iemand moet maken. Zie variatie als informatie, niet als ruis.

Doorlooptijd en wachttijd uit elkaar houden

Doorlooptijd zegt alleen: zo lang zat er tussen begin en eind. Het vertelt niet waar een case bleef hengelen. Misschien ligt een dossier vijf dagen op de plank, terwijl een medewerker er in totaal dertig minuten aan werkt. Gaat het om grote gaten tussen geregistreerde stappen? Dan kan dat een aanwijzing zijn voor wachttijd. Maar dat is niet automatisch bewijs. Soms wachten dossiers op klantinfo, soms blokkeert capaciteit, soms is de actie al gedaan maar wordt het pas later vastgelegd.

Voor correct inzicht leg je cases naast elkaar: vergelijk situaties met dezelfde kenmerken, check welke gebeurtenissen betekenen wat je denkt. Kijk niet alleen naar kalenderdagen maar ook naar werktijden, feestdagen, overdrachten naar externe partijen. Soms wordt een processtap pas gelogd als alles eigenlijk al klaar is. Combineer dus data uit logs met roosters, servicetijden of steekproeven. En overleg met medewerkers die overdrachten uitvoeren om te weten waarom iets stagneert.

Alles automatiseren wat lang duurt? Niet altijd slim. Drie dagen wachten op klantinfo? Daar helpt een automatische reminder. Maar als een specialist inhoudelijk naar een risico kijkt, kun je dat proces niet zomaar forceren. Kijk altijd naar spreiding: gemiddelden maskeren vaak uitbijters. Percentielen als mediaan of de negentigste geeft een realistischer beeld dan vrolijk uitrekenen wat het gemiddelde dossier kostte. Die aanpak voorkomt dat je een technische ingreep bouwt die vooral de makkelijke gevallen raakt, terwijl nodeloos gedoe zich juist bij de uitzonderingen ophoopt.

Van procesinzicht naar geschikte automatiseringskandidaten

Zie je ergens een bottleneck? Dat wil nog niet zeggen dat je daar direct AI of automatisering op los moet laten. Kijk eerst: is het werk wel repeteerbaar, zijn de gegevens bruikbaar en is de uitkomst voorspelbaar? Standaard overdrachtsstappen met vaste regels kun je vaak gerust automatiseren. Gaat het om documenten lezen en interpreteren, dan kom je bij AI voor documentverwerking. Maar een stap waarbij info gecombineerd wordt om een voorstel te doen, raakt eerder het domein van een AI-agent. Daar heb je meestal nog extra checks en menselijk toezicht nodig.

Process mining laat zien waar een stap zit, hoe vaak deze voorkomt en welke cases erdoor lopen. Neem cijfers over fouten en herstelwerk ook meteen mee. Je kunt veel winst halen uit veel voorkomende, foutloze stappen, of juist aandacht hebben voor die paar lastige gevallen die veel extra werk of risico opleveren. Alleen naar aantallen kijken geeft een vertekend beeld. Soms heeft een zeldzaam procesonderdeel grote impact.

Spreek vooraf af wat je met automatisering wilt veranderen en hoe je dat meet: minder handwerk, kortere wachttijden, minder correcties. En: waar trek je grenzen? Hoeveel fouten mag het systeem maken, hoeveel gevallen geeft het alsnog door aan een medewerker? Zijn er veel uitzonderingen, dan werkt ondersteunen vaak beter dan volledige automatisering: AI verzamelt, mens beslist. Daarmee voorkom je dat elke veelvoorkomende stap prompt volledig automatisch wordt afgehandeld, zonder dat dit verstandig is.

Waar logdata een onvolledig beeld van het proces geeft

Systemen leggen alleen vast wat hen opgedragen is. Alle andere stappen bestaan dan niet voor het systeem. Een medewerker kan informatie uit een e-mail halen, noteren in Excel of telefoneren, niks daarvan verschijnt standaard in het centrale procesmodel. Het lijkt dan alsof een dossier vliegensvlug van A naar B schiet, terwijl er in werkelijkheid best wat handmatig werk in het luchtledige verdwijnt. Soms registreert het systeem zelfs meerdere events voor één enkele actie, waardoor het pad juist drukker oogt dan het is.

Wat je via process mining niet ziet, zijn de informele paden. Een besluit mondeling van een manager, mail buiten het systeem, een gedeelde inbox waar werk zonder duidelijke toewijzing blijft hangen. Zo blijven juist de menselijke schakels buiten zicht. Dat kan lastig zijn bij automatisering: het ingewikkelde werk zit vaak nét in die onzichtbare stukken waar overleg nodig is en standaard scripts niet passen.

Wees eerlijk over wat het model wel en niet bevat. Zet op een rij welke systemen en teams zijn meegenomen, en noem wat buiten de analyse valt. Check opvallende routes met mensen uit het proces, steekproef desnoods tegen dossiergeschiedenis of e-mail (als dat mag natuurlijk). Het doel is niet alles van iedereen registreren, maar wel weten waar de blinde vlek zit. Zeggen “dit model is volledig”, zonder beperkingen te vermelden, levert weinig op.

Datakwaliteit, privacy en interpretatie beheersen

Hoe goed je analyse is, hangt af van hoe netjes je brondata zijn. Dubbele events kunnen het lijken alsof iedereen zich suf werkt. Mist het eindmoment van cases, worden doorlooptijden misleidend. Gaat het mis met case-ID's, dan krijg je verzamelingen van verschillende dossiers als één traject. Heb je net een systeemupdate gehad, dan kun je plots rare uitschieters zien. Controleer: wat ontbreekt er, zijn er dubbele rijen, kloppen tijdvolgordes, veranderden de volumes ineens? Zet je aannames op papier zodat je later snapt waar de data vandaan komen en afwijkingen uit kunt leggen.

Privacy is meer dan een vinkje. Voor veel analyses heb je namen niet eens nodig. Pseudonimiseer waar mogelijk, beperk de dataset tot wat nodig is en bepaal wie mag meekijken. Ga je naar medewerkersniveau graven, wordt het extra precair. Verschillen liggen soms aan taakverdeling, soorten cases, systeemrol. Betrek privacy- of medezeggenschap direct bij het begin, wacht niet tot alles al is binnengehengeld.

Net zo belangrijk: interpreteer je bevindingen zorgvuldig. Zie je een correlatie tussen een route en langere doorlooptijd, dan betekent dat niet vanzelf dat die route traagheid veroorzaakt. Misschien komen zware gevallen gewoon vaker op die route uit. Test vergelijkbare dossiers tegen elkaar, bespreek je bevindingen met proceseigenaren. Leg vast wat je onder een afgeronde case verstaat, of je stappen samenvoegt en hoe je omgaat met ontbrekende tijdstippen. Zo baseer je je besluiten op inzicht in onzekerheid, niet op schijnprecisie.

Automatisering gecontroleerd toetsen aan de praktijk

Ga je automatiseren? Zet niet meteen grootschalig live. Kies een duidelijke groep cases of een klein deelproces en leg de uitkomsten naast een referentie. Kijk niet alleen of het sneller is, maar check ook of zaken vaker retour komen, fouten ontstaan of medewerkers extra herstelwerk krijgen. Krijg je tijdens de proef geen uitzonderingen binnen, dan geeft het pilotresultaat een vertekend beeld.

Leg van tevoren vast wanneer je het aan de machine overlaat en wanneer een mens moet bijsturen. Soms bij missende data, bij extra hoge bedragen, bij onbekende documenttypes. Registreer die overdrachten en noteer waarom ze nodig waren. Anders weet je niet of menselijke controle nu af en toe of eigenlijk heel vaak nodig blijkt. Zorg ook dat medewerkers weten waar ze op moeten letten en hoe ze fouten of uitzonderingen melden.

Na oplevering verandert het proces onvermijdelijk: andere regels, veranderde vragen of updates in bronnen veranderen alles. Houd relevante cijfers bij en kijk naar trends in je data, maar trek niet te snel conclusies. Soms lijkt het aantal uitzonderingen te stijgen, maar komt dat door betere registratie en niet door slechter werk. Versiebeheer is belangrijk: welke modellen, prompts en regels golden op welk moment? Dan weet je bij afwijkingen ook waar je moet zoeken. Zo krijg je grip op het échte werkproces, niet alleen op je machine.

Veelgestelde vragen

Wat is het verschil tussen process mining en task mining?

Process mining kijkt naar gebeurtenissen in je bedrijfsapplicaties. Task mining volgt precies wat een gebruiker op scherm doet. Met process mining krijg je inzicht in het pad en de samenhang tussen processtappen, over veel cases tegelijk. Task mining zoomt juist in op allerlei schermhandelingen zoals klikken, kopiëren, invullen, binnen één werktaak.

  • Kies process mining als je de route en prestaties van een proces onderzoekt.
  • Werk met task mining als je wilt begrijpen hoe mensen kleine taken stap voor stap oppakken.
  • De methodes combineren kan nuttig zijn, maar task mining vereist extra zorg voor privacy en monitoring.

Is process mining hetzelfde als RPA?

Nee, dat zijn twee aparte dingen. Process mining is een analysetechniek. RPA (robots dus) nemen repeterende klusjes over. Met process mining onderzoek je hoe werk écht verloopt. Met RPA automatiseer je een afgebakende handeling, zoals iets overzetten. Ze vullen elkaar aan, maar de ene vervangt de ander niet.

  • Gebruik process mining voor analyse en onderbouwing van verbeteringen.
  • Plaats RPA in als taken echt volgens vaste patronen lopen.
  • Process mining kan ook duidelijk maken dat een ingreep in het proces of een andere automatiseringsvorm beter past dan RPA.

Hoe bereken je de ROI van process mining?

Je rekent de ROI uit door opbrengsten en kosten naast elkaar te zetten. Begin met een nulmeting en bepaal wat je verwacht te bereiken, zodat je na afloop volgens dezelfde logica kunt meten. Tel niet alleen tijdswinst, maar ook veranderingen in fouten, herstel- of klantimpact mee.

  • Breng software, implementatie, datavoorbereiding en beheer in kaart als kosten.
  • Schat opbrengsten per gemeten volume en kijk naar realistische besparingen per case.
  • Vergelijk de situatie achteraf met de beginsituatie en noem onzekerheden zoals seizoensinvloeden of veranderde volumes.

Hoe lang duurt een process-miningproject?

Er is geen standaarddoorlooptijd voor process mining. De duur hangt af van hoe makkelijk de data te verzamelen zijn, hoe ingewikkeld het proces is en hoeveel je precies wilt weten. Eén helder afgebakend proces met weinig bronnen analyseer je sneller dan iets dat dwars door je hele organisatie loopt.

  • Start met een scherpe procesvraag en zoek uit welke data je daarvoor nodig hebt.
  • Plan tijd voor data koppelen, kwaliteit checken en uitkomst toetsen met inhoudsdeskundigen.
  • Vergeet niet de tijd voor doorvoeren van verbeteringen en het meten van het effect.

Welke soorten process mining zijn er?

Er zijn drie bekende soorten process mining: discovery, conformance checking en enhancement. Ze beantwoorden verschillende soorten vragen. Discovery bouwt een procesmodel op basis van wat je in je data vindt. Conformance checking legt praktijk naast afspraken of een referentiemodel. Enhancement voegt aanvullende info aan een model toe, bijvoorbeeld prestatiecijfers.

  • Discovery: welk procesmodel haal je uit je gebeurtenisdata?
  • Conformance checking: op welke punten wijkt het werkelijke verloop af van je afspraken of standaardmodel?
  • Enhancement: hoe maak je een bestaand model rijker, bijvoorbeeld door doorlooptijden of andere cijfers toe te voegen?

Foto: Erik Mclean

Verder lezen

Dit toepassen in
jouw bedrijf?

We vertalen het naar jouw processen en laten binnen een week een werkend prototype zien.