Uit de aankondiging: "Steeds meer systemen loggen gegevens over hoe het bedrijfsproces verloopt, maar loopt het proces wel zoals het bedoeld was? Wat zijn de knelpunten? Text mining is vaak lastig doordat er tijdstippen ontbreken, process mining kan niet werken zonder tijdstippen, de combinatie van die twee technieken kan elkaar versterken. Bij sentiment mining weet je wel wat iemands zijn gevoelens zijn, maar niet zijn drijfveren, terwijl drijfveren juist een betere verklaring voor iemands gedrag vormen. De combinatie van deze technieken biedt mogelijkheden om nieuwe inzichten te verwerven rond customer journeys, zodat de klant uiteindelijk beter geholpen wordt." http://www.naf.nl/events/proces-text-mining/
This method paper presents a template solution for text mining of scientific literature using the R tm package. Literature to be analyzed can be collected manually or automatically using the code provided with this paper. Once the literature is collected, the three steps for conducting text mining can be performed as outlined below:• loading and cleaning of text from articles,• processing, statistical analysis, and clustering, and• presentation of results using generalized and tailor-made visualizations.The text mining steps can be applied to a single, multiple, or time series groups of documents.References are provided to three published peer reviewed articles that use the presented text mining methodology. The main advantages of our method are: (1) Its suitability for both research and educational purposes, (2) Compliance with the Findable Accessible Interoperable and Reproducible (FAIR) principles, and (3) code and example data are made available on GitHub under the open-source Apache V2 license.
Process Mining can roughly be defined as a data-driven approach to process management. The basic idea of process mining is to automatically distill and to visualize business processes using event logs from company IT-systems (e.g. ERP, WMS, CRM etc.) to identify specific areas for improvement at an operational level. An event log can be described as a database entry that signifies a specific action in a software application at a specific time. Simple examples of these actions are customer order entries, scanning an item in a warehouse, and registration of a patient for a hospital check-up.Process mining has gained popularity in the logistics domain in recent years because of three main reasons. Firstly, the logistics IT-systems' large and exponentially growing amounts of event data are being stored and provide detailed information on the history of logistics processes. Secondly, to outperform competitors, most organizations are searching for (new) ways to improve their logistics processes such as reducing costs and lead time. Thirdly, since the 1970s, the power of computers has grown at an astonishing rate. As such, the use of advance algorithms for business purposes, which requires a certain amount of computational power, have become more accessible.Before diving into Process Mining, this course will first discuss some basic concepts, theories, and methods regarding the visualization and improvement of business processes.
MULTIFILE
'The Data Tales' is een langdurig samenwerkingsverband van onderzoekers en bedrijven die samen projecten uitvoeren en vragen beantwoorden als: hoe kan data ons helpen de relatie met klanten te verbeteren en hoe beschermen we privacy van de klant als we die klant ook beter van dienst zijn willen zijn met data technieken?Doel The Data Tales consortium wil bedrijven helpen om beter met hun klanten om te gaan. Want als bedrijven naar hun klanten luisteren, versterken ze hun band. Techniek biedt allerlei opties om sneller, gerichter en zinvoller te reageren op de behoeften van klanten. Daarbij moeten de toon, inhoud en presentatie van de boodschap aansluiten bij de geadresseerde. Het doel van The Data Tales is om samen met onderwijs, bedrijven en technologie-ontwikkelaars te werken aan technieken om direct inzicht te geven in hoe hun klanten de interactie met organisaties ervaren. Daarbij wordt altijd gewerkt volgens het principe 'ethics by design' Resultaten Consortium The Data Tales vormde de basis voor het KIEM-project, VERBIND. Dat staat voor verantwoorde, belevingsgerichte interactie op basis van data-analyse. VERBIND brengt meerdere invalshoeken samen. We kijken niet alleen naar wat technisch mogelijk is bij dataverzameling, maar ook naar ethische keuzes die bedrijven maken. Op thedatatales.org lees je meer over het project VERBIND. Looptijd 01 januari 2018 - 31 december 2020 Aanpak In het Data Tales consortium komen de volgende vakgebieden samen: Customer Journey & marketing Data Science, waaronder process mining, text mining en andere vormen van data mining Recht en Ethiek, waaronder AVG Gedragswetenschappen ICT
'The Data Tales' is een langdurig samenwerkingsverband van onderzoekers en bedrijven die samen projecten uitvoeren en vragen beantwoorden als: hoe kan data ons helpen de relatie met klanten te verbeteren en hoe beschermen we privacy van de klant als we die klant ook beter van dienst zijn willen zijn met data technieken?Doel The Data Tales consortium wil bedrijven helpen om beter met hun klanten om te gaan. Want als bedrijven naar hun klanten luisteren, versterken ze hun band. Techniek biedt allerlei opties om sneller, gerichter en zinvoller te reageren op de behoeften van klanten. Daarbij moeten de toon, inhoud en presentatie van de boodschap aansluiten bij de geadresseerde. Het doel van The Data Tales is om samen met onderwijs, bedrijven en technologie-ontwikkelaars te werken aan technieken om direct inzicht te geven in hoe hun klanten de interactie met organisaties ervaren. Daarbij wordt altijd gewerkt volgens het principe 'ethics by design' Resultaten Consortium The Data Tales vormde de basis voor het KIEM-project, VERBIND. Dat staat voor verantwoorde, belevingsgerichte interactie op basis van data-analyse. VERBIND brengt meerdere invalshoeken samen. We kijken niet alleen naar wat technisch mogelijk is bij dataverzameling, maar ook naar ethische keuzes die bedrijven maken. Op thedatatales.org lees je meer over het project VERBIND. Looptijd 01 januari 2018 - 31 december 2020 Aanpak In het Data Tales consortium komen de volgende vakgebieden samen: Customer Journey & marketing Data Science, waaronder process mining, text mining en andere vormen van data mining Recht en Ethiek, waaronder AVG Gedragswetenschappen ICT
In order to stay competitive and respond to the increasing demand for steady and predictable aircraft turnaround times, process optimization has been identified by Maintenance, Repair and Overhaul (MRO) SMEs in the aviation industry as their key element for innovation. Indeed, MRO SMEs have always been looking for options to organize their work as efficient as possible, which often resulted in applying lean business organization solutions. However, their aircraft maintenance processes stay characterized by unpredictable process times and material requirements. Lean business methodologies are unable to change this fact. This problem is often compensated by large buffers in terms of time, personnel and parts, leading to a relatively expensive and inefficient process. To tackle this problem of unpredictability, MRO SMEs want to explore the possibilities of data mining: the exploration and analysis of large quantities of their own historical maintenance data, with the meaning of discovering useful knowledge from seemingly unrelated data. Ideally, it will help predict failures in the maintenance process and thus better anticipate repair times and material requirements. With this, MRO SMEs face two challenges. First, the data they have available is often fragmented and non-transparent, while standardized data availability is a basic requirement for successful data analysis. Second, it is difficult to find meaningful patterns within these data sets because no operative system for data mining exists in the industry. This RAAK MKB project is initiated by the Aviation Academy of the Amsterdam University of Applied Sciences (Hogeschool van Amsterdan, hereinafter: HvA), in direct cooperation with the industry, to help MRO SMEs improve their maintenance process. Its main aim is to develop new knowledge of - and a method for - data mining. To do so, the current state of data presence within MRO SMEs is explored, mapped, categorized, cleaned and prepared. This will result in readable data sets that have predictive value for key elements of the maintenance process. Secondly, analysis principles are developed to interpret this data. These principles are translated into an easy-to-use data mining (IT)tool, helping MRO SMEs to predict their maintenance requirements in terms of costs and time, allowing them to adapt their maintenance process accordingly. In several case studies these products are tested and further improved. This is a resubmission of an earlier proposal dated October 2015 (3rd round) entitled ‘Data mining for MRO process optimization’ (number 2015-03-23M). We believe the merits of the proposal are substantial, and sufficient to be awarded a grant. The text of this submission is essentially unchanged from the previous proposal. Where text has been added – for clarification – this has been marked in yellow. Almost all of these new text parts are taken from our rebuttal (hoor en wederhoor), submitted in January 2016.
