smaple.tr
Yapay Zeka ve Veri

Süreç Madenciliği (Process Mining) Nedir, PM4Py ile Nasıl Yapılır?

Mehmet Kurtipek
25 Aralık 2025
14 dk okuma
Yapay Zeka ve Veri
Süreç madenciliği
PM4Py
Celonis
Event log

Süreç madenciliği (process mining), ERP, CRM ya da iş akışı sistemlerinizin zaten tuttuğu zaman damgalı kayıtlardan bir sürecin gerçekte nasıl işlediğini çıkaran analiz yöntemidir. Her vaka (bir satın alma siparişi, bir fatura, bir destek talebi) sistemde hangi adımdan ne zaman geçtiğine dair iz bırakır. Süreç madenciliği bu izlerden gerçek süreç haritasını çıkarır, haritayı yazılı prosedürle karşılaştırır ve vakaların nerede beklediğini gösterir. Bu işi kodla yapmak isterseniz açık kaynak Python kütüphanesi PM4Py'ı kullanırsınız; en bilinen ticari platformlardan biri ise fiyatı teklifle belirlenen Celonis.

Hangi aracı seçerseniz seçin, emeğin büyük kısmı güvenilir bir olay kaydı (event log) hazırlamaya gider. Algoritmaları çalıştırmak işin kolay tarafı.

Süreç madenciliği ne işe yarar?

IEEE'nin Süreç Madenciliği Görev Grubu (Task Force on Process Mining), Süreç Madenciliği Manifestosu'nda (sayfada Türkçe çevirisi de var) alanı üç tür analize ayırır:

  1. Süreç keşfi: Önceden verilmiş bir model olmadan, yalnızca event log'dan süreç modeli çıkarmak.
  2. Uygunluk kontrolü: Kayıtları elinizdeki bir modelle, çoğu zaman yazılı prosedürle karşılaştırıp prosedürden sapan vakaları bulmak.
  3. Zenginleştirme: Modele yeni bilgi eklemek. Eklenen bilgi çoğunlukla süreyle (vakalar nerede bekliyor, hangi adım yavaş) ya da kişilerle (iş kimden kime geçiyor) ilgilidir.

Cevapladığı sorular somuttur. Bir satın alma siparişi oluşturulduğu andan ödemeye kadar kaç farklı yoldan geçiyor? Kaç fatura mal kabul kaydıyla eşleşmeden ödeniyor? Bir sipariş zamanının çoğunu hangi adımda bekleyerek geçiriyor? Hangi onaylar birimler arasında gidip geliyor? Çalıştaylar ve görüşmeler size insanların sürecin nasıl işlediğine dair kanaatini verir. Event log'da ise, kimsenin aklına gelmeyenler de dahil, bütün vakalar vardır.

Sık karıştırıldığı yöntemlerle karşılaştırınca ne olduğu daha iyi anlaşılır. BI panoları sayar ve toplar: haftalık sipariş adedi, ortalama ödeme süresi gibi. Süreç madenciliği sırayla ilgilenir, yani her vakada neyin neyden önce olduğuyla. Görev madenciliği (task mining) çalışanların masaüstünde yaptıklarını (tıklamalar, açılan uygulamalar, kopyala-yapıştır) kaydeder ve tek bir kişinin ekranındaki işe bakar; süreç madenciliği ise bütün sürecin sistem kayıtlarıyla çalışır. RPA adımları sizin yerinize çalıştırır. Süreç madenciliği size hangi adımların otomasyona değdiğini, otomasyondan sonra da bir şeyin gerçekten değişip değişmediğini gösterir.

Ne zaman değer, ne zaman değmez?

Süreç hacimliyse, birden fazla kişi ya da sistemden geçiyorsa ve veritabanında zaman damgası bırakıyorsa karşılığını verir. Satın almadan ödemeye (purchase-to-pay), siparişten tahsilata (order-to-cash), sigorta hasar dosyaları, BT destek talepleri, kredi başvuruları ve hasta akışları tipik örneklerdir. En çok da elinde net bir soru ve cevaba göre süreci değiştirme yetkisi olan biri varsa işe yarar.

Şu durumlarda bekleyin ya da hiç başlamayın:

  • İşin çoğu e-posta, kâğıt ya da telefonla yürüyor ve sistem sürecin yalnızca başını ve sonunu görüyorsa.
  • Yılda birkaç yüz vaka varsa. Bunu bir Excel dosyası ve bir toplantı çözer.
  • Tek bir sistem her aşamanın ne kadar sürdüğünü zaten raporluyorsa ve bu rapor sorunuzu cevaplıyorsa.
  • Sürecin sahibi yoksa. Bulgular gidecek yer bulamaz.

Tek bir süreç ve tek bir soruyla başlayın. "Satın alma sürecimizi görelim" diye başlayan bir çalışma genellikle etkileyici bir haritayla biter ve kimse bir karar almaz. "Faturaların neden bu kadarı vadesinde ödenmiyor?" sorusunun ise bir sahibi, ölçülebilecek bir sayısı ve sonunda değişecek bir şey vardır.

İşin çoğu event log'da

Event log'da her olay bir satırdır. Üç sütun zorunludur: vaka kimliği, aktivite adı ve zaman damgası. Bunlara işi yapan kullanıcıyı ya da sistemi ve tutar, tedarikçi, birim gibi vaka bilgilerini eklerseniz analiz çok daha işe yarar hale gelir.

vaka_id

aktivite

zaman

kullanici

SA-10231

Sipariş açıldı

2026-03-02 09:14

u017

SA-10231

Sipariş onaylandı

2026-03-04 16:40

u102

SA-10231

Mal kabul

2026-03-11 08:05

u233

SA-10231

Fatura geldi

2026-03-12 11:30

sistem

SA-10231

Ödeme yapıldı

2026-04-09 10:00

sistem

Vakayı dikkatle seçin

"Süreç" dediğiniz şeyi vaka kimliği belirler. Satın almada siparişi, sipariş satırını ya da faturayı takip edebilirsiniz ve her biri size farklı bir süreç gösterir. Gerçek veri de nadiren bire bir eşleşir: Bir fatura üç siparişi kapatır, bir sipariş iki ayrı sevkiyatla gelir. Bunu tek bir vaka kimliğine sıkıştırırsanız olaylar ya birden fazla vakaya kopyalanır ve sayılar şişer ya da kaybolur.

Nesne merkezli süreç madenciliği (object-centric process mining) tam da bu sorun için geliştirildi. Her olay aynı anda birden fazla nesneye (sipariş, kalem, fatura, sevkiyat) bağlanabilir; bu tür kayıtların biçimini OCEL 2.0 standardı tanımlar. PM4Py OCEL 2.0 dosyalarını okuyup yazabiliyor. Celonis de nesne merkezli süreç madenciliğini 2022'deki Celosphere etkinliğinde duyurdu, 2023'te de buna dayanan nesne merkezli bir veri modeli çıkardı. İlk projede sorunuz hangi nesneyle ilgiliyse onu takip edin ve yaptığınız basitleştirmenin farkında olun.

Değişiklik geçmişi nerede tutuluyor?

Değişiklikleri kaydeden tablolara bakın: durum geçmişi tabloları, denetim (audit) kayıtları, belge akışı, iş akışı motorunun geçmişi. SAP'de CDHDR ve CDPOS değişiklik belgesi tabloları, hangi belgenin hangi alanını kimin ne zaman değiştirdiğini tutar. Logo, Mikro, Netsis gibi yerli ERP'lerde değişiklik geçmişinin hangi tablolarda tutulduğu, hatta tutulup tutulmadığı sürüme ve kuruluma göre değişir; bunu ilk hafta ERP'yi iyi bilen biriyle netleştirin. e-Fatura tarafında özel entegratörünüzün API'sinden gelen durum bilgileri, örneğin ticari faturadaki kabul ve red yanıtları, iyi bir olay kaynağıdır. Sistem yalnızca güncel durumu tutuyorsa geçmiş kaybolmuştur. Değişiklik kaydını şimdi açın, birkaç ay sonra madenciliğe başlayın.

Veri çekme işi genellikle birkaç tabloyu bu dört sütuna dönüştüren bir SQL sorgusudur. Genel bir satın alma şeması için taslak:

-- Her olay için bir satır: vaka_id, aktivite, zaman, kullanici
SELECT s.siparis_no AS vaka_id, 'Sipariş açıldı' AS aktivite,
       s.olusturma_zamani AS zaman, s.olusturan AS kullanici
FROM siparisler s
UNION ALL
SELECT g.siparis_no, 'Sipariş onaylandı', g.degisiklik_zamani, g.degistiren
FROM siparis_durum_gecmisi g
WHERE g.yeni_durum = 'ONAYLANDI'
UNION ALL
SELECT m.siparis_no, 'Mal kabul', m.kayit_zamani, m.kaydeden
FROM mal_kabul m
UNION ALL
SELECT f.siparis_no, 'Fatura geldi', f.gelis_zamani, NULL
FROM faturalar f
UNION ALL
SELECT f.siparis_no, 'Fatura eşleştirildi', f.eslesme_zamani, NULL
FROM faturalar f
WHERE f.eslesme_zamani IS NOT NULL
UNION ALL
SELECT o.siparis_no, 'Ödeme yapıldı', o.odeme_zamani, NULL
FROM odemeler o
ORDER BY vaka_id, zaman;

Bu sorgu her siparişe tek fatura düştüğünü varsayıyor. Durum böyle değilse, analize başlamadan ne yapacağınıza karar verin: Faturayı kapattığı her siparişe mi bağlayacaksınız, yoksa vaka olarak faturayı mı takip edeceksiniz? Bu seçim sonraki her sayıyı değiştirir. Veriyi önce canlı sistemden başka bir yere taşımanız gerekiyorsa ETL ile ELT arasındaki seçim burada da karşınıza çıkar.

Madenciliğe başlamadan temizleyin

Kontrol etmeniz gereken sorunlar ve her birini ele veren belirti:

  • Biri yerel saat, diğeri UTC yazan iki sistem olayların sırasını bozar. Vakaların azımsanmayacak bir kısmında "fatura gelmeden ödeme" görüyorsanız sebebi büyük ihtimalle budur.
  • Yalnızca tarih tutan zaman damgalarında aynı gün olan olayların sırası belli değildir ve algoritma kendi kafasına göre bir sıra uydurur. Daha hassas bir zaman damgası bulun ya da aynı günkü olayları sırasız kabul edin.
  • Her gece 02.00'de binlerce kayda aynı zamanı basan bir toplu iş, o adımı anlık, ondan önceki adımı da yavaş gösterir.
  • "Onay", "Onaylandı" ve "approval_ok" bir insan için tek aktivite, algoritma için üç ayrı aktivitedir. Aktivite adlarını sabit bir listeye eşleyin.
  • Ana veride, şemanın engellemediği mükerrer kayıtlar sanıldığından sık görülür. Hastane vardiya planlama platformunu geliştirdiğimiz müşterimiz Oplist, personel verisini hastanelerin İK sistemlerinden alıyor ve bu sistemlerde aynı kişinin birden fazla kaydı olabiliyor. Bu yüzden kaynağa güvenmiyor, tekilleştirmeyi Oplist tarafında yapıyoruz. Event log'da aynı sorun, tek bir kişinin iş yükünü aralarında paylaşan iki ayrı kullanıcı olarak karşınıza çıkar.
  • Çoğu sistem yalnızca adımın bittiği zamanı kaydeder. Bu durumda iki adım arasında gördüğünüz süre bekleme ile çalışma süresinin toplamıdır ve ikisini ayıramazsınız.

Analize geçmeden beş vakayı işi bizzat yapan biriyle adım adım gözden geçirin, sonra aylık vaka sayılarını kaynak sistemin kendi raporlarıyla karşılaştırın. Event log düzenli olarak yeniden üretilecekse hangi kontrollerin otomatikleştirilmeye değdiğini veri kalitesi yazımızda anlatıyoruz.

KVKK tarafı

Kullanıcı sütununda genellikle çalışanların kullanıcı kodları olur ve bu kodlar belirli bir kişiye bağlanabildiği için kişisel veridir. Veriyi çekerken kodları takma kimliklerle değiştirin, eşleme tablosunu daha sıkı yetkilerle ayrı bir yerde tutun. Takma kimlik riski azaltır ama eşleme tablosu durdukça veri kişisel veri olmaya devam eder. Kullanıcı verisinin ne için kullanılacağını baştan yazılı olarak netleştirin; bir süreç panosu çalışanların sıralandığı bir puan tablosuna dönüşürse bunu herkes çabuk fark eder.

Celonis gibi bulut tabanlı bir platform seçerseniz verinin hangi ülkedeki sunucularda duracağını sorun. Kişisel Verileri Koruma Kurumu'nun Kişisel Verilerin Yurt Dışına Aktarılması Rehberi, bir hizmet sağlayıcının yurt dışındaki bulutunda depolamayı da, rehberde sayılan koşullar sağlandığında aktarım kabul ediyor. Bu durumda 6698 sayılı Kanun'un 9. maddesindeki yollardan birine dayanmanız gerekir. Bunlardan biri standart sözleşmedir ve taraflarca imzalanmasından itibaren beş iş günü içinde Kurum'a bildirilmelidir. Çoğu zaman daha kolay yol, kullanıcı sütununu platforma hiç göndermemektir; süreç analizinin büyük kısmı için işi kimin yaptığını bilmek gerekmez. Bunu yaparken vaka bilgilerinde de (müşteri adı, T.C. kimlik numarası gibi) kişisel veri kalmadığını kontrol edin.

PM4Py ile çalışan bir örnek

PM4Py, Fraunhofer FIT'te geliştirilmeye başlandı; bugün bakımını oradan doğan Process Intelligence Solutions şirketi yapıyor. pip install pm4py ile kuruluyor ve Python 3.11 ya da üstünü istiyor. Aşağıdaki kodu Ekim 2026'da yayımlanan 2.7.23.11 sürümüyle, bu iş için ürettiğimiz 800 siparişlik sentetik bir satın alma kaydı üzerinde çalıştırdık.

Kod yazmaya başlamadan önce lisansa bakın. Ücretsiz sürüm AGPL-3.0 lisanslı. Geliştiricilerin lisans sayfası, PM4Py kullanan yazılımın da genel olarak AGPL ile yayımlanması gerektiğini, buna ağ üzerinden kullanılan yazılımların da dahil olduğunu söylüyor. PM4Py sattığınız bir ürünün ya da hizmetin içine girecekse ticari lisansı baştan hesaba katın.

CSV'yi okuyup PM4Py'a hangi sütunun ne olduğunu söyleyerek başlıyoruz:

import pandas as pd
import pm4py

df = pd.read_csv("olaylar.csv")  # vaka_id, aktivite, zaman, kullanici
df["zaman"] = pd.to_datetime(df["zaman"], utc=True, format="ISO8601")
log = pm4py.format_dataframe(
    df, case_id="vaka_id", activity_key="aktivite", timestamp_key="zaman"
)

utc=True, saat dilimi bilgisi olmayan her zaman damgasını UTC kabul eder. Kaynaklarınızdan biri yerel saati dilim bilgisi olmadan yazıyorsa, verileri birleştirmeden önce o satırlara gerçek saat dilimlerini atayın (pd.to_datetime(s).dt.tz_localize("Europe/Istanbul"), ardından .dt.tz_convert("UTC")). Yoksa yukarıdaki listede anlatılan sıralama sorununu kendi elinizle yaratırsınız.

Önce varyantlar

Süreç madenciliğinde en ucuza gelen bilgi varyantlardır. Her varyant, aktivitelerin birebir aynı sırayla izlendiği bir yoldur; liste her yolu kaç vakanın izlediğini gösterir:

varyantlar = pm4py.get_variants(log)
print(len(varyantlar), "varyant")
for yol, adet in sorted(varyantlar.items(), key=lambda kv: kv[1], reverse=True)[:10]:
    print(adet, " > ".join(yol))

Gerçek kayıtlarda çoğu zaman yalnızca bir iki kez görülen uzun bir varyant kuyruğu olur. En sık on varyantı süreç sahibiyle birlikte okuyun ve her biri için "Bunun olması gerekiyor mu?" diye sorun.

Keşif için Inductive Miner

net, im, fm = pm4py.discover_petri_net_inductive(log, noise_threshold=0.2)

Inductive Miner her zaman sağlam (sound) bir model üretir, yani her vaka sona kadar ilerleyebilir, kilitlenme ya da hiç kullanılmayan parça olmaz; gürültü eşiği sıfırken de event log'daki her vakayı yeniden oynatabilir. noise_threshold değerini yükseltmek seyrek davranışları modelden çıkarır ve modeli okunur tutar. Modeli görmek için pm4py.view_petri_net(net, im, fm) çağırın; bunun için Graphviz kurulu olmalı. Alpha Miner daha çok derslerde işe yarar, çünkü gürültü ve kısa döngüler onu bozar. Heuristics Miner dağınık kayıtlarla başa çıkar ama sağlam olmayan, bazı vakaların üzerinde yeniden oynatılamadığı modeller çıkarabilir. Fuzzy Miner'ı arıyorsanız, onu aynı araştırma çevresinin Java tabanlı aracı ProM'da bulursunuz; PM4Py'da yok.

Uygunluk: farklı soruları cevaplayan iki sayı

Yazılı prosedürü bir süreç ağacı (process tree) olarak tanımlayın (burada basit bir sıra), Petri ağına çevirin ve her vakayı bununla hizalayın:

prosedur = pm4py.parse_process_tree(
    "->('Sipariş açıldı', 'Sipariş onaylandı', 'Mal kabul', "
    "'Fatura geldi', 'Fatura eşleştirildi', 'Ödeme yapıldı')"
)
p_net, p_im, p_fm = pm4py.convert_to_petri_net(prosedur)
uyum = pm4py.fitness_alignments(log, p_net, p_im, p_fm)
print(f"log fitness {uyum['log_fitness']:.2f}, "
      f"vakaların %{uyum['percentage_of_fitting_traces']:.1f} kadarı prosedüre birebir uyuyor")
vaka_bazinda = pm4py.conformance_diagnostics_alignments(
    log, p_net, p_im, p_fm, return_diagnostics_dataframe=True
)
vaka_bazinda[~vaka_bazinda["is_fit"]].to_csv("sapan_vakalar.csv", index=False)

log_fitness, modelin kayıtlardaki davranışın ne kadarını yeniden oynatabildiğini ölçer. percentage_of_fitting_traces ise modeli hiç sapmadan izleyen vakaların oranıdır. Test kaydımızda log fitness 0,97 çıkarken vakaların yalnızca %79,5'i prosedüre birebir uyuyordu. Bir yöneticiye "%97 uyum var" derseniz doğru olmayan bir şey anlar. Vaka bazındaki dosya sapan her vakayı listeler; bir denetçinin ya da süreç sahibinin ilk isteyeceği şey de budur.

Yöntem de önemli. Hizalama (alignment) kesin sonuç verir ama çok büyük kayıtlarda yavaşlar. Token tabanlı yeniden oynatma (token-based replay) hızlıdır ama yaklaşık sonuç verir; PM4Py'daki uygulaması da varsayılan olarak modelde olmayan aktiviteleri uyum hesabına katmaz. Aynı kayıtta fitness_token_based_replay vakaların %83,5'ini uyumlu saydı, çünkü tek sapması plansız bir "Fiyat değişti" adımı olan 32 sipariş uyumlu kabul edildi. Alt seviyedeki token replay API'sinde consider_activities_not_in_model_in_fitness diye bir parametre var; bunu açınca sonuç hizalamadaki %79,5'e indi. Raporlayacağınız sayıları hizalamayla hesaplayın. Kayıt hizalama için fazla büyükse token yöntemine geçin, ama neyi göremediğini bilerek.

Performans: vakalar nerede bekliyor?

perf, _, _ = pm4py.discover_performance_dfg(log)
en_yavas = sorted(perf.items(), key=lambda kv: kv[1]["median"], reverse=True)
for (a, b), s in en_yavas[:5]:
    print(f"{a} -> {b}: medyan {s['median'] / 86400:.1f} gün")

Bu kod, ardışık her aktivite çifti arasındaki sürenin istatistiklerini verir. Yalnızca bitiş zamanı varsa bu süre bekleme ile çalışmanın toplamıdır. En yavaş geçiş ilk darboğaz adayınızdır. Raporlamadan önce tedarikçiye, birime ya da tutara göre bölün: Yalnızca iki tedarikçide yavaşlayan bir adım ile herkeste yavaşlayan bir adım farklı sorunlardır.

Süreç haritaları nasıl yanıltır?

Her aktivite için bir kutu ve "hemen ardından bu geldi" anlamında bir ok çizen doğrudan takip grafiği (directly-follows graph, DFG), ticari araçların çoğunda varsayılan haritadır. Wil van der Aalst'ın bu grafiğin sınırları üzerine uygulayıcılar için yazdığı makale, haritayı sunmadan önce bilmeniz gereken iki tuzağı gösteriyor.

Birincisi, herhangi bir sırayla yapılabilen aktiviteler, her biri vaka başına yalnızca bir kez yapılmış olsa bile, birbirleri arasında döngü gibi görünür. Haritada paralel yürüyen iş, tekrar tekrar yapılan iş gibi durur.

İkincisi, frekans kaydırıcıları bazı aktiviteleri gizler ve geride kalan oklar yanlış bilgi verebilir. Makaledeki örnekte vakaların yarısı iki günde a, b, c yolundan, diğer yarısı on günde a, c yolundan geçiyor. Yani a'nın ardından her vakada er geç c geliyor ve ortalama akış süresi altı gün. b filtrelenince, makalede test edilen 2019 tarihli Disco sürümü, a'dan c'ye yalnızca vakaların yarısında ve on günlük bir gecikmeyle geçildiğini gösterdi; yazar da ticari araçların çoğunun aynı haritayı ürettiğini belirtiyor.

Filtrelenmiş bir haritadan aldığınız süreyi ya da frekansı toplantıya taşımayın. Sayıyı varyant listesinden ya da vaka tablosundan hesaplayın ve hangi filtrelerin açık olduğunu söyleyin.

PM4Py mı, Celonis mi, başka bir platform mu?

Araç

Ne olduğu

Kime uygun

PM4Py

Python kütüphanesi; AGPL-3.0 lisansıyla ücretsiz, ticari lisans teklifle

Python yazan ekipler, tek seferlik analizler, kendi veri hatlarınızın içinde süreç madenciliği

Celonis

Hazır ERP bağlayıcıları, panolar, nesne merkezli veri modeli ve otomasyon sunan bulut platformu; fiyat teklifle

SAP ya da Oracle kullanan ve birkaç süreci sürekli izlemek isteyen büyük şirketler

Power Automate Process Mining

Microsoft Power Platform içindeki süreç madenciliği

Microsoft 365, Dynamics ve Power BI kullanan kurumlar

SAP Signavio Process Intelligence

SAP'nin Signavio paketindeki süreç madenciliği

SAP ağırlıklı çalışan ve süreçlerini Signavio'da modelleyen şirketler

UiPath Process Mining

UiPath otomasyon platformunun parçası

Zaten UiPath botları çalıştıran şirketler

Disco (Fluxicon)

Verinizden süreç haritası çıkaran masaüstü uygulaması

Kod yazmadan hızlıca harita görmek isteyen analistler

ProM

Algoritmaları eklenti olarak sunan açık kaynak araştırma aracı

PM4Py'da olmayan bir algoritmayı (örneğin Fuzzy Miner) denemek

Microsoft liste fiyatlarını açıkça yayımlıyor. Ekim 2026 itibarıyla Power Automate Premium, yıllık ödemeyle kullanıcı başına aylık 15 dolar (vergiler hariç) ve her lisansla 50 MB süreç madenciliği depolama alanı geliyor. Process Mining eklentisi ise 100 GB için kiracı (tenant) başına aylık 5.000 dolar. Celonis fiyat yayımlamıyor; fiyat sayfası sizi satış ekibiyle görüşmeye yönlendiriyor.

Bizim görüşümüz şu: İşe PM4Py ile, ekipte Python yazan kimse yoksa Disco ile, tek bir süreçten bir kez çekilmiş veriyle başlayın. Bu, bir analistin zamanı dışında pek bir maliyet çıkarmaz ve size iki şeyi gösterir: Sistemleriniz soruyu cevaplamaya yetecek kadar kayıt tutuyor mu ve cevap bir şeyi değiştiriyor mu? Analizin birden fazla süreçte sürekli çalışması ve hiç notebook açmayacak iş kullanıcılarına hizmet etmesi gerektiğinde, bir de ERP'niz için hazır bağlayıcılar sizi aylarca SQL yazmaktan kurtaracaksa, platform almanın zamanı gelmiştir. Lisansın üstüne kurulum ve veri mühendisliği bütçesi de ayırın; platform, event log'u sizin yerinize doğru hale getirmez.

İlk proje nasıl yürür?

  1. Soruyu ve besleyeceği kararı yazın.
  2. Tabloları ve onları bilen kişiyi bulun. En az bir tam iş döngüsünü, süreçte ay ya da çeyrek kapanışı varsa onu da kapsayan veriyi çekin.
  3. Event log'u oluşturup yukarıda anlatıldığı gibi kontrol edin; sonra sırasıyla varyantlara, keşfedilen modele, prosedüre uygunluğa ve bekleme sürelerine bakın.
  4. İki üç bulguyu örnek vaka numaralarıyla birlikte süreç sahibine götürün; böylece tartışma sayıların doğru olup olmadığı yerine gerçek siparişler üzerinden yürür.
  5. Neyin değişeceğine karar verin: bir kural, bir form, bir kadro düzeni ya da bir otomasyon. Otomasyona giderseniz sonrasında analizi yeni kayıtlarla tekrarlayıp işe yarayıp yaramadığına bakın. Bu adımın seçimini ve kurulumunu iş süreci otomasyonu ve RPA yazılarımızda ele alıyoruz.
  6. Analizin sürekli çalışması gerekip gerekmediğine ancak bundan sonra karar verin; bir platform lisansı parasını bu noktada çıkarmaya başlar.

Sık sorulan sorular

Süreç madenciliği ile veri madenciliği arasındaki fark ne?

Veri madenciliği, veride genel olarak örüntü arar: kümeler, ilişkiler, tahminler. Süreç madenciliği daha dar bir alandır. Vakalara göre gruplanmış ve zamana göre sıralanmış olaylarla çalışır; çıktısı bir süreç modeli ve o model üzerindeki ölçümlerdir.

XES formatı nedir?

XES, event log'ların XML olarak saklanması için tanımlanmış IEEE 1849 standardıdır; güncel revizyonu 2023'te yayımlandı. PM4Py, ProM ve Disco bu formatı okuyabiliyor. Kendi çalışmanız için vaka, aktivite ve zaman sütunları olan bir CSV çoğu zaman yeterlidir.

Süreç madenciliğinde yapay zeka kullanılıyor mu?

Temel algoritmalar (keşif, uygunluk kontrolü) makine öğrenmesi değildir. Makine öğrenmesi tahmine dayalı izlemede devreye girer: açık bir vakanın ne kadar süreceğini ya da süresini aşıp aşmayacağını kestirmek gibi. Yazılım üreticileri de artık veriyle ilgili soruları cevaplayan LLM asistanları ekliyor.

Sistemlerinizden güvenilir bir event log çıkarmak için desteğe ihtiyacınız olursa, bu tür veri çekme ve veri hattı işleri veri ve yapay zeka hizmetlerimiz kapsamında.

İlgili Makaleler

10 Ağustos 2026

MLOps Nedir? ML Modelini Canlıya Almanın Pratik Yolu

MLOps, bir modeli canlıya taşıyan ve orada işe yarar tutan pratiklerin toplamı. Hangi sırayla kurulacağını güncel MLflow ve DVC örnekleriyle anlattık, LLM tarafını da ekledik.

Devamını Oku: MLOps Nedir? ML Modelini Canlıya Almanın Pratik Yolu
8 Ağustos 2026

Bilgisayarlı Görü Uygulamaları: Nerede İşe Yarar, Nerede Zorlanır?

Fabrikadaki kalite kontrolden faturaya, tomografiden plaka tanımaya: bilgisayarlı görü nerede iş görüyor, nerede zorlanıyor, hazır modeller neyi değiştirdi?

Devamını Oku: Bilgisayarlı Görü Uygulamaları: Nerede İşe Yarar, Nerede Zorlanır?
5 Ağustos 2026

AI Agent Geliştirme: Ne Zaman Gerekir, Nasıl Kurulur?

AI agent, araçlarla döngü içinde çalışan bir dil modeli. Ne zaman gerektiğini, Python'da çalışan bir döngüyü, framework seçimini, güvenliği, KVKK'yı ve maliyeti anlattık.

Devamını Oku: AI Agent Geliştirme: Ne Zaman Gerekir, Nasıl Kurulur?