Модуль 5.2 · Урок 2
Практика анализа процессов
30 мин Проверено 26 августа 2026
Практика
Содержание
- Чему вы научитесь
- Основной путь: визуальный анализ
- BPMN: нотация для описания процессов
- Визуальный process mining (карта процесса)
- Подготовка данных
- Из Jira / YouTrack
- Из CRM (Bitrix24, amoCRM)
- Из 1С
- Чтение карты процесса
- На что обращать внимание
- Метрики для отчёта
- Бонус: PM4Py для технических специалистов
- Установка
- Быстрый анализ в 20 строк
- Визуализация через PM4Py
- Для менеджеров (без кода)
- Для технических специалистов
- Ключевые выводы
5.2 /
Урок 2 из 4
Чему вы научитесь
- Анализировать процессы визуально через BPMN и карту из лога
- Готовить данные из популярных систем (1С, CRM, Jira)
- Читать карту процесса и находить аномалии
- (Бонус) Использовать PM4Py для автоматического анализа
Основной путь: визуальный анализ
Большинству менеджеров и аналитиков не нужен Python. Визуальные инструменты дают 80% результата без написания кода.
BPMN: нотация для описания процессов
BPMN (Business Process Model and Notation) — стандарт визуализации бизнес-процессов. Основные элементы:
flowchart LR
A(("Старт")) --> B["Задача"]
B --> C{"Решение?"}
C -->|Да| D["Задача A"]
C -->|Нет| E["Задача B"]
D --> F(("Конец"))
E --> F
style A fill:#10b981,color:#fff
style C fill:#f59e0b,color:#000
style F fill:#ef4444,color:#fff| Элемент | Обозначение | Пример |
|---|---|---|
| Событие (начало/конец) | Круг | Заявка поступила / Заявка закрыта |
| Задача | Прямоугольник | «Классифицировать заявку» |
| Шлюз (решение) | Ромб | «Простой вопрос?» — Да/Нет |
| Поток | Стрелка | Переход между шагами |
Визуальный process mining (карта процесса)
Самозапись на Celonis Academic для новых пользователей с мая 2026 не даёт рабочий контур. Если контур уже есть (вуз, партнёр, лицензия) — загружайте CSV туда. Иначе — Miro, draw.io или PM4Py в следующем блоке.
Шаг 1: Подготовьте CSV: Case ID, Activity, Timestamp.
Шаг 2: Загрузите в доступный инструмент (Celonis, если контур выдан; иначе нарисуйте карту по частотам переходов).
Шаг 3: На карте должны появиться:
- Узлы = активности (шаги процесса)
- Рёбра = переходы между шагами
- Толщина рёбер = частота перехода
- Цвет = время (красный = медленно)
Шаг 4: Используйте фильтры:
- По времени (последний месяц, квартал)
- По варианту процесса (только «счастливый путь»)
- По исполнителю (кто тормозит?)
- По длительности (только медленные кейсы)
Подготовка данных
Из Jira / YouTrack
Экспортируйте историю переходов тикетов:
| Case ID | Activity | Timestamp | Resource |
|---|---|---|---|
| TASK-101 | To Do | 2024-01-10 09:00 | — |
| TASK-101 | In Progress | 2024-01-10 14:30 | Иванов |
| TASK-101 | Code Review | 2024-01-11 10:00 | Петрова |
| TASK-101 | Done | 2024-01-11 16:00 | — |
Jira: используйте JQL + экспорт в CSV, или плагин Process Mining.
Из CRM (Bitrix24, amoCRM)
Экспортируйте историю смены статусов сделок:
| Case ID | Activity | Timestamp | Resource |
|---|---|---|---|
| Сделка-42 | Новая | 2024-01-05 10:00 | Козлов |
| Сделка-42 | Квалификация | 2024-01-05 14:00 | Козлов |
| Сделка-42 | КП отправлено | 2024-01-07 09:30 | Козлов |
| Сделка-42 | Переговоры | 2024-01-12 11:00 | Сидорова |
| Сделка-42 | Закрыта (выиграна) | 2024-01-20 16:00 | Козлов |
Из 1С
Источники данных в 1С:
- Журнал регистрации — кто, когда, что сделал
- Движения документов — создание → проведение → оплата
- Бизнес-процессы (1С:ERP) — встроенный модуль маршрутизации
Выгрузка: встроенные отчёты → Excel → CSV, или через COM-объект для автоматизации.
Чтение карты процесса
На что обращать внимание
1. Основной путь (happy path):
- Какой процент случаев идёт по «идеальному» маршруту?
- Если менее 60% — процесс хаотичен, нужна стандартизация до AI
2. Обратные стрелки (rework):
- Возвраты на предыдущие шаги = переработка
- Частая причина: недостаточная информация на входе
3. «Тупики»:
- Кейсы, которые застревают на одном шаге надолго
- Часто: согласования, ожидание внешних данных
4. Разветвления:
- Сколько вариантов процесса существует?
- 2–3 варианта = нормально. 20+ = хаос
Метрики для отчёта
| Метрика | Формула | Норма |
|---|---|---|
| Среднее время цикла | Сумма времён / кол-во кейсов | Зависит от процесса |
| Медианное время | 50-й перцентиль | Обычно в 2–3 раза меньше среднего |
| P90 | 90-й перцентиль | Показывает «хвост» — проблемные кейсы |
| Conformance rate | % кейсов по основному пути | >70% — хорошо |
| Rework rate | % кейсов с возвратами | <10% — хорошо |
Бонус: PM4Py для технических специалистов
Установка
pip install pm4py pandas matplotlibБыстрый анализ в 20 строк
Анализ путей процесса — какие маршруты проходят задачи
Код
На простом языке
import pandas as pd
Подключаем библиотеку для работы с таблицами данных
import numpy as np
Подключаем библиотеку для математических вычислений
df = pd.read_csv('tickets.csv', parse_dates=['timestamp'])
Загружаем файл с данными о тикетах, автоматически распознавая даты
paths = (df.groupby('case_id')['activity']
Группируем записи по номеру задачи и берем колонку с названиями шагов
.apply(lambda x: ' → '.join(x))
Склеиваем шаги каждой задачи в цепочку: «Новая → В работе → Готово»
.value_counts()
Считаем, сколько задач прошли по каждому маршруту
.head(10))
Оставляем только 10 самых частых маршрутов
print("=== ТОП ПУТЕЙ ===")
Выводим заголовок таблицы результатов
print(paths)
Показываем список маршрутов — какой путь задачи проходят чаще всего
Нажмите на строку — увидите объяснение
Поиск узких мест — где задачи застревают дольше всего
Код
На простом языке
df['prev_time'] = df.groupby('case_id')['timestamp'].shift(1)
Для каждого шага запоминаем время предыдущего шага той же задачи
df['wait_hours'] = (
Вычисляем время ожидания между шагами в часах
(df['timestamp'] - df['prev_time']).dt.total_seconds() / 3600
Разница между текущим и предыдущим шагом, переведенная из секунд в часы
)
Завершаем вычисление времени ожидания
bottlenecks = (df.groupby('activity')['wait_hours']
Группируем данные по названию шага и берем время ожидания
.agg(['mean', 'median', 'count'])
Для каждого шага считаем среднее, медиану и количество случаев
.sort_values('mean', ascending=False))
Сортируем — самые медленные шаги наверху
print("\n=== УЗКИЕ МЕСТА (часы ожидания) ===")
Выводим заголовок
print(bottlenecks.round(1))
Показываем таблицу узких мест с округлением до десятых часа
happy_path = paths.index[0]
Берем самый частый маршрут — это «идеальный путь» процесса
total = paths.sum()
Считаем общее количество всех задач
conformance = paths.iloc[0] / total * 100
Вычисляем процент задач, прошедших по идеальному пути
print(f"\nСоответствие основному пути: {conformance:.0f}%")
Показываем результат — насколько процесс стандартизирован
Нажмите на строку — увидите объяснение
Визуализация через PM4Py
import pm4py
# Конвертация DataFrame в формат PM4Py
df_pm = df.rename(columns={
'case_id': 'case:concept:name',
'activity': 'concept:name',
'timestamp': 'time:timestamp'
})
log = pm4py.convert_to_event_log(df_pm)
# Построение Directly-Follows Graph
dfg, start, end = pm4py.discover_dfg(log)
pm4py.save_vis_dfg(dfg, start, end, 'process_map.png') Попробуйте сами
Для менеджеров (без кода)
- Выгрузите данные из любой системы (CRM, тикеты, 1С)
- Приведите к формату CSV: Case ID | Activity | Timestamp
- Нарисуйте карту в Miro (или загрузите в Celonis, если контур уже есть)
- Найдите: основной путь, обратные стрелки, самый медленный шаг
Для технических специалистов
- Используйте PM4Py-скрипт выше на ваших данных
- Постройте DFG
- Определите топ-3 варианта процесса
- Найдите шаг с максимальным временем ожидания
Результаты сохраните — они понадобятся в следующих уроках.
Ключевые выводы
- Визуальный анализ (BPMN и карта из лога) даёт 80% результата без кода
- Данные из Jira, CRM, 1С легко привести к формату process mining
- Ключевые метрики: conformance rate, rework rate, P90 время цикла
- Обратные стрелки на карте = переработка = потенциал для AI
- PM4Py — мощный инструмент для технических специалистов