Dienst van SURF
© 2025 SURF
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/
Data mining seems to be a promising way to tackle the problem of unpredictability in MRO organizations. The Amsterdam University of Applied Sciences therefore cooperated with the aviation industry for a two-year applied research project exploring the possibilities of data mining in this area. Researchers studied more than 25 cases at eight different MRO enterprises, applying a CRISP-DM methodology as a structural guideline throughout the project. They explored, prepared and combined MRO data, flight data and external data, and used statistical and machine learning methods to visualize, analyse and predict maintenance. They also used the individual case studies to make predictions about the duration and costs of planned maintenance tasks, turnaround time and useful life of parts. Challenges presented by the case studies included time-consuming data preparation, access restrictions to external data-sources and the still-limited data science skills in companies. Recommendations were made in terms of ways to implement data mining – and ways to overcome the related challenges – in MRO. Overall, the research project has delivered promising proofs of concept and pilot implementations
MULTIFILE
From the article: Within the HU University of Applied Sciences (HU) the department HU Services (HUS) has not got enough insight in their IT Service Management processes to align them to the new Information System that is implemented to support the service management function. The problem that rises from this is that it is not clear for the HU how the actual Incident Management process as facilitated by the application is actually executed. Subsequently it is not clear what adjustments have to be made to the process descriptions to have it resemble the process in the IT Service Management tool. To determine the actual process the HU wants to use Process Mining. Therefore the research question for this study is: ‘How is Process Mining applicable to determine the actual Incident Management process and align this to the existing process model descriptions?’ For this research a case study is performed using Process Mining to check if the actual process resembles like the predefined process. The findings show that it is not possible to mine the process within the scope of the predefined process. The event data are too limited in granularity. From this we conclude that adjustment of the granularity of the given process model to the granularity of the used event data or vice versa is important.
LINK
Due to the existing pressure for a more rational use of the water, many public managers and industries have to re-think/adapt their processes towards a more circular approach. Such pressure is even more critical in the Rio Doce region, Minas Gerais, due to the large environmental accident occurred in 2015. Cenibra (pulp mill) is an example of such industries due to the fact that it is situated in the river basin and that it has a water demanding process. The current proposal is meant as an academic and engineering study to propose possible solutions to decrease the total water consumption of the mill and, thus, decrease the total stress on the Rio Doce basin. The work will be divided in three working packages, namely: (i) evaluation (modelling) of the mill process and water balance (ii) application and operation of a pilot scale wastewater treatment plant (iii) analysis of the impacts caused by the improvement of the process. The second work package will also be conducted (in parallel) with a lab scale setup in The Netherlands to allow fast adjustments and broaden evaluation of the setup/process performance. The actions will focus on reducing the mill total water consumption in 20%.
Kwaliteitscontroles in productieprocessen in de maakindustrie zijn vaak destructief en daarmee niet duurzaam. In dit project onderzoeken we hoe door toepassing van process mining op real time sensor data de kwaliteitscontrole al tijdens het productieproces kan worden uitgevoerd en potentiële problemen vroegtijdig ontdekt.Doel Het doel van het project is om op basis van realtime data de kwaliteit van het eindproduct van het productieproces te kunnen voorspellen en waar nodig het productieproces bij te sturen. Hiermee kan de industrie duurzamer werken. Resultaten Het project levert een AI software toolkit op met methoden en algoritmen voor toepassing in de productieprocessen in verschillende industrieën. Looptijd 15 januari 2021 - 15 november 2024 Aanpak Nieuwe process mining algoritmes worden ontwikkeld en getoetst in case studies bij verschillende industriële bedrijven. Op basis van de uitkomsten wordt een software toolkit ontwikkeld voor toepassing in de praktijk. Impact op onderwijs Studenten van instituut voor ICT gaan, samen met studenten van TU Eindhoven, cases studies uitvoeren bij verschillende industrieën. Cofinanciering Het project wordt gefinancierd door NWO (Nederlandse Organisatie voor Wetenschappelijk Onderzoek).
Kwaliteitscontroles in productieprocessen in de maakindustrie zijn vaak destructief en daarmee niet duurzaam. In dit project onderzoeken we hoe door toepassing van process mining op real time sensor data de kwaliteitscontrole al tijdens het productieproces kan worden uitgevoerd en potentiële problemen vroegtijdig ontdekt.Doel Het doel van het project is om op basis van realtime data de kwaliteit van het eindproduct van het productieproces te kunnen voorspellen en waar nodig het productieproces bij te sturen. Hiermee kan de industrie duurzamer werken. Resultaten Het project levert een AI software toolkit op met methoden en algoritmen voor toepassing in de productieprocessen in verschillende industrieën. Looptijd 15 januari 2021 - 15 november 2024 Aanpak Nieuwe process mining algoritmes worden ontwikkeld en getoetst in case studies bij verschillende industriële bedrijven. Op basis van de uitkomsten wordt een software toolkit ontwikkeld voor toepassing in de praktijk. Impact op onderwijs Studenten van instituut voor ICT gaan, samen met studenten van TU Eindhoven, cases studies uitvoeren bij verschillende industrieën. Cofinanciering Het project wordt gefinancierd door NWO (Nederlandse Organisatie voor Wetenschappelijk Onderzoek).