魔鬼藏在細節中 | 流程挖掘 | Process Mining | Coursera

為什麼我想上這門課

年底了原本打算收山喘口氣，但從 Coursera 的 blog 看到 Process Mining 的新課介紹，又想到與近期工作接手 integration 的任務有關連，還是克制不住地按下 Join，繼續 Coursera 人生。

課名 : Process Mining: Data science in Action 流程挖掘
老師 : Wil van der Aalst
學校 : Eindhoven University of Technology ( TU/e ), Department of Mathematics & Computer Science
上課時間：2014/11/12 ~ 2015/01/21
簡介 :
Coursera 課程簡介 (另開視窗)

這門課教些什麼

回憶一下，我們一般看報表數據，可以看出某些問題資料 ( ex: 某區域營業額低於平均、某些客服處理工時過長等等) ，卻未必清楚背後的原因。

若是我們能蒐集這些活動過程中的數據，並把它們加入分析，是否能看出更多端倪呢？

Process Mining 這堂課正是希望成為資料 (event) 與流程 (process) 之間的橋樑，它的應用範圍包含了醫院動線的改善、客服流程的改良、或是從網頁的瀏覽動線來提高網友的購買率…等等。

作業長什麼樣子

Peer Assignment 同儕互評作業，這不是必寫作業，如果你想領到結業證書上標註 With Distinction 才需要寫。

內容是請你用課堂上介紹的兩個工具跑提供的資料，觀察數據、圖形來回答問題。可以算是一個簡易的資料分析報告練習。

評分矩陣算是我遇過最寬容的，只要你解釋的合理，也未必要跟校方提供的答案一樣才能拿到分數。

老師的風格

這門課由荷蘭的埃因霍芬理工大學所開設，教授是個風度翩翩的書生學者，語速比起純美國人開設的課程來講算很慢，用字遣詞也算平實清楚。語調方面較無抑揚頓挫。

不曉得是不是荷蘭式英文的 style ?!?!? 承認我精神不濟時會聽到 zzzZZ，幸虧清醒後再 replay 影片就好，這在實體教室肯定辦不到的。

每週看影音教材，為期 6 週。每週大概 8 個影片，每部約 20 分鐘左右。影片長度不是問題，問題在於內容講什麼。若是一般性的內容，你會覺得 20 分鐘還好；但若內容比較挑戰大腦時，你會發現 20 分鐘好像有一小時之久 @_@

沒趕上這課，有其他資料可以看嗎？

課程結構清楚，整體都是跟著教授出的書走，所以上完課也幾乎等於讀完這本書了
Process Mining : Discovery, Conformance and Enhancement of Business Processes (另開視窗)

感想

1. 教材內容難易

身為資管背景，對頭一兩週和後面的應用比較好理解，而中間理論的部份則有種把車子越來越往陡坡爬的感覺。討論區有一些同學正為了越來越理論而退選。

根據助教的意思，實務上多半以 tool 來達到 process mining 的目的，而不是從頭寫程式。我想教材如此編排的原因或許是為了讓我們即使不用 coding，但也要能瞭解演算法背後的原理及相關名詞。

但理論真無有趣之處嗎？其實不然，在 W2 上到 Petri-Net 時，這個我頭一次接觸的表示法著實讓人眼睛為之一亮。以往針對資料的關聯都半是 ER Model，屬靜態資料。看到 Petri-Net 能表達這樣 state transition 的現象真是新奇。

這個紅綠燈號轉換 (另開視窗)就是個有趣的例子

2.教材呈現

投影片的素材很用心，針對抽象的概念用對應的圖片或範例來解釋，捨去艱澀的數學式讓人好吸收。解釋演算法怎麼進行的過程也算清楚，一步一步來。

3. 測驗難易

雖然教材有難的部份，不過測驗跟作業的深度還算合理，沒有故意考倒學生的意圖。認真照表操課理應可過關。

4. 對實務的幫助

一開始提到，我因工作關係想看看 Process Mining 可以怎麼應用。上完覺得它的確挺強大的，假設可以一五一十蒐集活動過程中的所有 event，便可用來反推實際的 activity 怎麼走、每一關走多久進而找出 bottleneck、或是看資源分配是否有不合理之處等等。
尤其現在 IoT 後，物物都可當個小電腦記錄資訊，勢必能有更多的應用。

不過，實務上的資料取得與品質是個問題，以企業裡來講，有些非結構化、沒進到系統的人工作業沒辦法追蹤；而有電腦化的作業，也有可能因系統不在乎資料歷程，只重視結果，而沒 log 留底，或是資料傾向整批匯入，而導致資料的異動時間失去意義。

5. 疑惑

最後很納悶，為什麼這個學科好像不是很熱門呢？ 找到的資料幾乎都在歐洲，似乎不算 Data Science 裡的顯學？猜想可能跟應用面不普及有關？

完課證書