Skip to content

Data Science › 應用領域 › 流程探勘

流程探勘 (Process Mining) ​

流程探勘分析的是 event log:每一列是「某個 case 在某個時間做了某個 activity(由某個 resource 執行)」。問題不是單筆資料的值,而是一個 case 從開始到結束實際經過哪些步驟、花多久、在哪裡出現變異與交接。

概念意義醫療流程中的對應
Case一個流程實例一次就診 / 住院(encounter),或一位病人
Activity流程中的一步掛號、檢傷、抽血、影像、會診、入院、出院
Timestamp事件時間EHR 醫令、報告、護理紀錄的時間戳
Resource誰執行科別、醫師、護理站、檢驗室
Lifecycle開始 / 完成等狀態檢驗開立 → 採檢 → 報告
Trace / variant一個 case 經過的活動序列;相同序列的 case 屬於同一 variant病人路徑 (patient pathway);與臨床指引比對
Throughput timecase 從開始到結束的時間急診滯留時間、door-to-needle time、住院天數

醫療是最典型的應用:EHR 本身就是 event log。實驗室流程(檢體收件 → 萃取 → 建庫 → 定序 → 分析 → 報告)也是。

醫療 event log 的時間戳常是「紀錄時間」而非「發生時間」,同一時刻大量批次寫入很常見;分析等待時間前先確認時間戳語意。等待時間多半右偏,用中位數與分位數描述,必要時以 存活分析 處理尚未結束的 case(設限)。

問題方法
流程在真實資料中實際長什麼樣?process map、trace 分析
最常見的路徑是什麼?變異多大?variant 頻率
哪些 case 花最久?哪些活動最常重工?throughput time、重複活動
工作怎麼在 resource 之間交接?resource map、handover network

工具:R bupaR(本篇範例)、Python pm4py。

建立 event log ​

原始資料是一張表,要明確指定哪些欄位扮演流程角色;這一步定義錯,後面的 trace、throughput 與 resource 分析都會一起偏掉。

r
library(bupaR)

log <- event_data |>
  eventlog(
    case_id = "patient",
    activity_id = "handling",
    activity_instance_id = "handling_id",     # 同一活動的一次執行(含開始與完成兩筆事件)
    lifecycle_id = "registration_type",       # start / complete
    timestamp = "time",
    resource_id = "employee"
  )
# 每列只有一個時間點(沒有 start / complete)時,可用 simple_eventlog() / activitylog()

summary(log)                                  # case 數、activity 數、event 數、時間範圍
n_cases(log); n_activities(log)
python
# Python:pm4py
import pm4py
df = pm4py.format_dataframe(df, case_id="patient", activity_key="handling", timestamp_key="time")
variants = pm4py.get_variants(df)
dfg, start, end = pm4py.discover_dfg(df)      # directly-follows graph

活動與 trace ​

r
activities(log)              # absolute_frequency、relative_frequency:哪些是主幹、哪些是例外步驟
traces(log)                  # 每種 variant 與其頻率
trace_explorer(log, coverage = 0.8)   # 涵蓋 80% case 的最常見 variants
process_map(log)             # directly-follows 流程圖

活動頻率只回答「常不常出現」;trace 才回答「怎麼組成流程」。trace 分布非常分散代表流程變異高(醫療流程常如此),聚合時要更小心,先過濾到主要 variants 再畫流程圖,否則只剩一團義大利麵。

Resource 與組織分析 ​

r
resources(log)                                              # 每個 resource 的工作量
resource_frequency(log, level = "resource-activity") |> plot()   # 誰執行哪些活動
resource_map(log)                                           # 工作從誰交到誰(handover network)

可以看出誰高度專精於少數活動、某些活動是否只靠少數人支撐(人員離開的風險)。看到專精程度差異時,不要直接下績效結論:角色分工本來就不同。handover network 可以接著用 網路分析 的方法分析。

分析層級 ​

很多 bupaR 指標都可以在不同粒度計算,同一個指標在不同層級回答不同問題:

r
throughput_time(log, level = "log")              # 整體分布
throughput_time(log, level = "case")             # 每個 case
processing_time(log, level = "resource")         # 組織績效視角
number_of_repetitions(log, level = "activity")   # 重工
# 其他 level:"trace"、"activity"、"resource-activity"

過濾 ​

不先過濾,大型流程圖通常只剩雜訊。

r
filter_throughput_time(log, interval = c(5, NA), units = "days")    # 超過 SLA 的慢案
filter_throughput_time(log, percentage = 0.5)                       # 最快的 50%
filter_throughput_time(log, interval = c(5, 10), units = "days", reverse = TRUE)  # 排除區間
filter_activity_frequency(log, percentage = 0.8)                    # 涵蓋 80% 事件的活動
filter_resource_frequency(log, interval = c(60, 900))
filter_trace_frequency(log, percentage = 0.8)                       # 主要 variants

把流程指標加回資料 ​

r
case_metrics <- log |>
  throughput_time(level = "case", units = "days", append = TRUE) |>
  mutate(on_time = throughput_time_case <= 7)

append = TRUE 把 case 層級指標接回事件資料,之後可以接一般 dplyr / ggplot2 分析、轉成業務規則(是否準時),或與 case metadata(病人特徵、科別)合併建模。append 後的欄名依指標而定(例如 throughput_time_case),用 names() 確認。

流程視覺化 ​

圖函式看什麼
Activity presenceactivity_presence(log) |> plot()哪些活動幾乎每個 case 都有、哪些只在部分 variants
Trace lengthtrace_length(log) |> plot()流程長度是否集中,有沒有異常長的 case
起點與終點start_activities(log, "activity")、end_activities(log, "activity")入口與出口是否一致;很分散代表流程定義鬆散或紀錄不完整
Dotted chartdotted_chart(log, x = "relative", sort = "duration")每個 case 在相對時間軸上的活動分布,哪些活動卡在某些時段
Process mapprocess_map(log, performance(median, "hours"))流程結構與活動間的等待時間

工作流程 ​

  1. 確認哪些欄位能組成 event log(case、activity、timestamp、resource、lifecycle)
  2. 建立 event log 物件,確認欄位對應
  3. 看規模:case、活動、事件數、時間範圍
  4. 看活動與 trace,理解主流程與變異
  5. 看 resource frequency 與 resource map,理解分工與交接
  6. 用 throughput、trace length、重工等指標找瓶頸
  7. 過濾聚焦在慢案、少見 variants 或高風險 case
  8. 把 case 層級指標加回資料,接一般分析與報表;改善配置問題可接 最佳化

常見錯誤 ​

錯誤後果
把 event log 當普通交易表忽略順序與 case 結構
case / activity / timestamp 定義不清trace 錯誤
時間戳是紀錄時間卻當成發生時間等待時間失真
一開始就畫完整流程圖資訊過載
只看平均 throughput右偏分布被少數極端 case 拉高,也看不到 variant 差異
未完成的 case 直接算 throughput低估時間(設限問題)