[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"skill:01M7A2XDJP1K5FCJYEV4HPFAQX":3,"skill-same:01M7A2XDJP1K5FCJYEV4HPFAQX":53},{"skillNo":4,"name":5,"nameZh":6,"description":7,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":16,"categories":17,"keywords":18,"publishedAt":19,"linkOnly":20,"markdownContent":21,"markdownBody":22,"frontMatter":23,"refName":30,"commitSha":31,"skillDirectory":32,"forksCount":33,"repositoryHtmlUrl":34,"repositoryHomepageUrl":6,"ownerHtmlUrl":35,"ownerBlogUrl":36,"ownerDescription":37,"updatedAt":38,"install":39,"resources":52},"01M7A2XDJP1K5FCJYEV4HPFAQX","process-mining",null,"Process Mining — Skill especializada para process mining","diegojcn\u002Fagent-skill-pack","diegojcn","https:\u002F\u002Favatars.githubusercontent.com\u002Fu\u002F39829656?v=4","01M79YWFWBS7GQ1NC0FRSWE0QF","Diego Neves","01M79YWFWX7K7R5N28V61XYR6B",2,"MIT","https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack\u002Fblob\u002Fmain\u002Fia-automacao\u002Fprocess-mining\u002FSKILL.md",[],[],"2026-11-15 14:19:17",false,"---\nname: process-mining\ndescription: \"Process Mining — Skill especializada para process mining\"\nlicense: MIT\nmetadata:\n  version: 1.0.0\n  author: Cafe Code AI\n  category: 12-ia-automacao\n  updated: 2026-03-01\nrisk: safe\n---\n\n# Process Mining\n\nEsta skill capacita o Claude a aplicar técnicas de Process Mining para otimizar fluxos de trabalho, identificar gargalos e automatizar processos de negócios, usando ferramentas de integração e APIs.\n\n---\n\n## Keywords\n\n*   Descoberta de Processos\n*   Conformidade de Processos\n*   Otimização de Fluxos\n*   Análise de Gargalos\n*   Log de Eventos\n*   Modelo BPMN\n*   Automação Robótica de Processos (RPA)\n*   Integração API\n*   Ferramentas ETL\n*   Mineração de Tarefas\n*   Análise de Variantes\n*   Automação Inteligente\n\n---\n\n## Quick Start\n\n1.  Coletar logs de eventos de sistemas transacionais (ERP, CRM, sistemas de tickets) via APIs, webhooks ou exportações diretas.\n2.  Estruturar os dados de log em um formato padronizado: `(ID do Caso, Nome da Atividade, Timestamp, Recurso, Atributos)`.\n3.  Importar o log de eventos para uma ferramenta de Process Mining (e.g., Celonis, Disco, ou script PM4Py em Python).\n4.  Visualizar o modelo de processo descoberto e identificar as variantes de processo mais frequentes e suas respectivas durações.\n5.  Analisar os desvios do modelo ideal, mapear gargalos e propor pontos de automação e melhoria para o fluxo de trabalho.\n\n---\n\n## Core Workflows\n\n### Workflow 1: Descoberta e Otimização de Gargalos em Processos de Onboarding de Clientes\n\nEste workflow foca em identificar e automatizar pontos de lentidão no processo de onboarding de novos clientes, melhorando a experiência e reduzindo o tempo para o cliente atingir o \"valor\".\n\n1.  **Coleta de Dados de Log de Eventos**:\n    *   **Origem**: Sistemas de CRM (ex: HubSpot, Salesforce), plataforma de e-mail marketing (ex: ActiveCampaign), sistema de suporte (ex: Zendesk), ferramenta de gestão de projetos (ex: Asana).\n    *   **Método**:\n        *   **APIs**: Utilizar endpoints como `GET \u002Fdeals\u002F{dealId}\u002Ftimeline` (HubSpot) ou `GET \u002Fapi\u002Fv2\u002Ftickets` (Zendesk) para extrair eventos cronologicamente.\n        *   **Webhooks**: Configurar webhooks para disparar eventos em tempo real quando status de negócio mudam no CRM ou e-mails são abertos\u002Fclicados no marketing. Exemplo: Webhook no HubSpot para `POST https:\u002F\u002Fseu-webhook.com\u002Fprocess-log` ao mudar o estágio de um negócio para \"Cliente Ativo\".\n        *   **Exportação**: Para sistemas legados, exportar dados em CSV ou Excel e pré-processar.\n    *   **Exemplo de Eventos**: \"Cliente Criado\", \"Email de Boas-Vindas Enviado\", \"Configuração de Conta Iniciada\", \"Chamada de Onboarding Realizada\", \"Treinamento Concluído\", \"Suporte Ativado\".\n\n2.  **Estruturação e Pré-processamento do Log**:\n    *   **Formato**: Unificar todos os eventos em um arquivo CSV ou XES com colunas mínimas: `Case ID` (ID do cliente), `Activity Name` (nome da ação), `Timestamp` (data e hora do evento), `Resource` (quem executou, e.g., SDR Ana, Sistema Marketing), `Attributes` (e.g., Tipo de Plano, Segmento do Cliente).\n    *   **Exemplo de Pré-processamento (Python)**:\n        ```python\n        import pandas as pd\n        from datetime import datetime\n\n        def preprocess_log(df):\n            df['Timestamp'] = pd.to_datetime(df['Timestamp'])\n            df = df.sort_values(by=['Case ID', 'Timestamp'])\n            return df\n\n        # Carregar dados de diferentes fontes\n        crm_data = pd.read_csv('hubspot_events.csv')\n        email_data = pd.read_csv('activecampaign_events.csv')\n        support_data = pd.read_csv('zendesk_events.csv')\n\n        # Consolidar e padronizar\n        # ... (lógica para mapear colunas e criar Case ID, Activity, Timestamp, Resource)\n\n        unified_log = pd.concat([crm_data_processed, email_data_processed, support_data_processed])\n        unified_log_clean = preprocess_log(unified_log)\n        unified_log_clean.to_csv('onboarding_event_log.csv', index=False)\n        ```\n\n3.  **Análise de Processos com Ferramenta de Process Mining**:\n    *   **Carregamento**: Importar `onboarding_event_log.csv` para Disco, Celonis, ou usar PM4Py.\n    *   **Descoberta do Modelo**: Gerar um modelo de processo (e.g., grafo de precedência, BPMN) para visualizar o fluxo real.\n        *   Exemplo PM4Py: `import pm4py; log = pm4py.read_xes('onboarding_log.xes'); bpmn_graph = pm4py.discover_bpmn_inductive(log)`.\n    *   **Análise de Desempenho**: Identificar os caminhos mais longos, atividades com maior tempo de espera e gargalos.\n        *   Foco em transições entre atividades que apresentam alta duração média. Exemplo: \"Configuração de Conta Iniciada\" -> \"Treinamento Concluído\" com média de 5 dias, quando a meta é 2 dias.\n\n4.  **Identificação de Oportunidades de Automação**:\n    *   **Gargalo**: Se a transição \"Email de Boas-Vindas Enviado\" para \"Configuração de Conta Iniciada\" é manual e inconsistente, causando atrasos.\n        *   **Automação Proposta**: Criar um cenário no Make.com ou N8N.io que, ao detectar um novo cliente com status \"Ativo\" no CRM (via webhook), automaticamente:\n            1.  Dispara um e-mail de boas-vindas personalizado via API do ActiveCampaign: `POST \u002Fapi\u002F3\u002Fcontact_automations\u002F{automation_id}\u002Frun`.\n            2.  Cria uma tarefa de \"Configuração de Conta\" no Asana para o CSM responsável via API: `POST \u002Fapi\u002F1.0\u002Ftasks`.\n            3.  Envia uma mensagem de notificação para o canal do Slack do time de onboarding.\n    *   **Gargalo**: Se a etapa \"Solicitação de Documentos Iniciais\" é manual e atrasa o \"Treinamento Concluído\".\n        *   **Automação Proposta**: Implementar um chatbot proativo (integrado via API com sistema de CRM) que detecta a necessidade de documentos e envia um formulário ou solicita informações diretamente ao cliente, atualizando o status no CRM via API após o recebimento.\n\n5.  **Implementação e Monitoramento Contínuo**:\n    *   Desenvolver e testar as automações em Make\u002FN8N\u002FZapier.\n    *   Configurar dashboards de monitoramento dos KPIs de processo (tempo de ciclo, throughput, taxa de conclusão) para avaliar o impacto das automações.\n    *   Continuar coletando logs para novas rodadas de Process Mining e refinamento.\n\n### Workflow 2: Análise de Conformidade e Automação de Exceções em Processos de Aprovação de Despesas\n\nEste workflow aborda a detecção de não conformidades em processos de aprovação financeira e a automação de ações corretivas.\n\n1.  **Coleta de Dados de Log de Eventos**:\n    *   **Origem**: Sistema de gestão de despesas (ex: SAP Concur, Expensify), ERP (ex: SAP, Oracle Financials).\n    *   **Método**:\n        *   **APIs**: `GET \u002Fapi\u002Fv1\u002Fexpenses` para obter relatórios de despesas e seus status de aprovação.\n        *   **Exportação**: Exportar logs de aprovação e status das despesas.\n    *   **Exemplo de Eventos**: \"Despesa Submetida\", \"Aprovador Designado\", \"Aprovação Gerencial\", \"Aprovação Financeira\", \"Rejeitada por Política\", \"Reembolso Processado\".\n\n2.  **Estruturação e Pré-processamento do Log**:\n    *   **Formato**: `Case ID` (ID do relatório de despesas), `Activity Name`, `Timestamp`, `Resource` (funcionário, gerente, sistema), `Attributes` (valor da despesa, tipo de despesa, política aplicada).\n\n3.  **Definição de Regras de Conformidade**:\n    *   **Exemplos**:\n        *   \"Toda despesa acima de R$ 500,00 deve ter 'Aprovação Gerencial' E 'Aprovação Financeira'.\"\n        *   \"Despesas de viagem acima de R$ 1.000,00 devem ser aprovadas por um gerente sênior (Recurso: 'Gerente Sênior X').\"\n        *   \"Nenhuma despesa pode ser 'Reembolso Processado' sem uma etapa de 'Aprovação' prévia.\"\n\n4.  **Análise de Conformidade com Ferramenta de Process Mining**:\n    *   **Carregamento**: Ingerir o log de eventos na ferramenta.\n    *   **Verificação de Regras**: Utilizar os recursos de verificação de conformidade da ferramenta para comparar o processo real com as regras definidas.\n        *   Identificar casos onde a sequência \"Despesa Submetida\" -> \"Reembolso Processado\" ocorre para valores > R$ 500,00 sem as duas aprovações.\n        *   Visualizar as variantes não-conformes e suas frequências.\n\n5.  **Automação de Notificações e Ações Corretivas para Não Conformidades**:\n    *   **Cenário**: Uma despesa de R$ 700,00 é aprovada por um gerente, mas segue para \"Reembolso Processado\" sem a \"Aprovação Financeira\".\n    *   **Automação Proposta (Make\u002FN8N)**:\n        1.  **Gatilho**: Monitorar o sistema de despesas (via webhook ou API de polling) por eventos de \"Reembolso Processado\".\n        2.  **Condição**: Se o valor da despesa for > R$ 500,00 E o histórico do caso não incluir \"Aprovação Financeira\".\n        3.  **Ação 1 (Notificação)**:\n            *   Enviar um e-mail de alerta para o departamento financeiro e o gerente via API (ex: SendGrid): `POST \u002Fapi\u002Fmail\u002Fsend` com assunto \"Não Conformidade - Despesa [ID] Reembolsada Sem Aprovação Financeira\".\n            *   Enviar uma notificação via Slack\u002FTeams: `POST https:\u002F\u002Fhooks.slack.com\u002Fservices\u002F...` com detalhes da despesa e o problema.\n        4.  **Ação 2 (Correção)**:\n            *   Se a política permitir, a automação pode acionar uma API para reverter o status da despesa para \"Pendente de Revisão Financeira\" ou \"Rejeitada\" no sistema de despesas: `PUT \u002Fapi\u002Fv1\u002Fexpenses\u002F{expenseId}\u002Fstatus` com `{\"status\": \"Pending Finance Review\"}`.\n            *   Um prompt para um chatbot pode ser acionado para o aprovador: \"Olá, detectei que a despesa [ID da Despesa] foi aprovada por [Aprovador] sem a [Aprovação Financeira] necessária, pois o valor é R$ [Valor]. Deseja reverter a aprovação ou escalar este caso?\"\n\n6.  **Monitoramento Contínuo**:\n    *   Acompanhar o índice de conformidade em dashboards.\n    *   Registrar as ações corretivas automatizadas e o impacto na redução de não conformidades.\n\n---\n\n## Templates\n\n### Template de Log de Eventos (CSV)\n\n```csv\nCase ID,Activity,Timestamp,Resource,Amount,Category,Plan_Type,Client_Segment\nONB-001,Cliente Criado,2023-10-01 09:00:00,SDR Ana,0.00,Onboarding,Enterprise,Large\nONB-001,Email de Boas-Vindas Enviado,2023-10-01 09:05:00,Sistema Marketing,0.00,Onboarding,Enterprise,Large\nONB-001,Configuração de Conta Iniciada,2023-10-02 11:30:00,CSM João,0.00,Onboarding,Enterprise,Large\nONB-001,Chamada de Onboarding Realizada,2023-10-03 10:00:00,CSM João,0.00,Onboarding,Enterprise,Large\nONB-001,Treinamento Concluído,2023-10-05 16:00:00,CSM João,0.00,Onboarding,Enterprise,Large\nEXP-023,Despesa Submetida,2023-11-10 14:00:00,Funcionario B,850.00,Viagem,N\u002FA,N\u002FA\nEXP-023,Aprovador Designado,2023-11-10 14:05:00,Sistema Financeiro,850.00,Viagem,N\u002FA,N\u002FA\nEXP-023,Aprovação Gerencial,2023-11-11 09:00:00,Gerente X,850.00,Viagem,N\u002FA,N\u002FA\nEXP-023,Reembolso Processado,2023-11-11 11:00:00,Sistema Pagamentos,850.00,Viagem,N\u002FA,N\u002FA\nEXP-024,Despesa Submetida,2023-11-12 10:00:00,Funcionario C,300.00,Material Escritório,N\u002FA,N\u002FA\nEXP-024,Aprovador Designado,2023-11-12 10:05:00,Sistema Financeiro,300.00,Material Escritório,N\u002FA,N\u002FA\nEXP-024,Aprovação Gerencial,2023-11-12 14:00:00,Gerente Y,300.00,Material Escritório,N\u002FA,N\u002FA\nEXP-024,Reembolso Processado,2023-11-12 16:00:00,Sistema Pagamentos,300.00,Material Escritório,N\u002FA,N\u002FA\n```\n\n### Prompt para Chatbot de Otimização de Processo (com dados de Process Mining)\n\n```\nVocê é um assistente de otimização de processos. Analisei os dados de Process Mining para o processo de \"Atendimento ao Cliente\" e identifiquei um gargalo significativo que afeta 30% dos casos.\n\nO caminho mais frequente (70% dos casos) é:\n1. Cliente Abre Ticket (Duração Média: 0 horas)\n2. Atendente Designado (Duração Média: 0.5 horas)\n3. Resposta Inicial Enviada (Duração Média: 1 hora)\n4. Solicitação de Mais Informações (Duração Média: 2 horas) -> AQUI ESTÁ O GARGALO!\n5. Cliente Fornece Informações (Duração Média: 8 horas)\n6. Resolução do Ticket (Duração Média: 4 horas)\n\nA transição de \"Solicitação de Mais Informações\" para \"Cliente Fornece Informações\" tem um tempo médio de 8 horas, sendo o maior tempo de espera no processo. Além disso, 30% dos tickets necessitam de *duas ou mais* rodadas de \"Solicitação de Mais Informações\", indicando falta de clareza inicial.\n\nCom base nesta análise, proponha 3 ações concretas e automatizáveis para reduzir este gargalo e o tempo total de resolução do ticket. Inclua sugestões de como usar APIs, webhooks ou integrações com Make\u002FN8N\u002FZapier e como um chatbot ou IA pode participar.\n```\n\n---\n\n## Checklist\n\n-   [x] Dados de log de eventos extraídos de sistemas transacionais e formatados (ID do Caso, Atividade, Timestamp, Recurso, Atributos).\n-   [x] Ferramenta de Process Mining (ou script PM4Py) configurada e com dados carregados.\n-   [x] Modelo de processo descoberto e visualizado (e.g., grafo de precedência, BPMN) para identificação de fluxos reais.\n-   [x] Principais variantes de processo identificadas, quantificadas e analisadas por frequência e desempenho.\n-   [x]","# Process Mining\n\nEsta skill capacita o Claude a aplicar técnicas de Process Mining para otimizar fluxos de trabalho, identificar gargalos e automatizar processos de negócios, usando ferramentas de integração e APIs.\n\n---\n\n## Keywords\n\n*   Descoberta de Processos\n*   Conformidade de Processos\n*   Otimização de Fluxos\n*   Análise de Gargalos\n*   Log de Eventos\n*   Modelo BPMN\n*   Automação Robótica de Processos (RPA)\n*   Integração API\n*   Ferramentas ETL\n*   Mineração de Tarefas\n*   Análise de Variantes\n*   Automação Inteligente\n\n---\n\n## Quick Start\n\n1.  Coletar logs de eventos de sistemas transacionais (ERP, CRM, sistemas de tickets) via APIs, webhooks ou exportações diretas.\n2.  Estruturar os dados de log em um formato padronizado: `(ID do Caso, Nome da Atividade, Timestamp, Recurso, Atributos)`.\n3.  Importar o log de eventos para uma ferramenta de Process Mining (e.g., Celonis, Disco, ou script PM4Py em Python).\n4.  Visualizar o modelo de processo descoberto e identificar as variantes de processo mais frequentes e suas respectivas durações.\n5.  Analisar os desvios do modelo ideal, mapear gargalos e propor pontos de automação e melhoria para o fluxo de trabalho.\n\n---\n\n## Core Workflows\n\n### Workflow 1: Descoberta e Otimização de Gargalos em Processos de Onboarding de Clientes\n\nEste workflow foca em identificar e automatizar pontos de lentidão no processo de onboarding de novos clientes, melhorando a experiência e reduzindo o tempo para o cliente atingir o \"valor\".\n\n1.  **Coleta de Dados de Log de Eventos**:\n    *   **Origem**: Sistemas de CRM (ex: HubSpot, Salesforce), plataforma de e-mail marketing (ex: ActiveCampaign), sistema de suporte (ex: Zendesk), ferramenta de gestão de projetos (ex: Asana).\n    *   **Método**:\n        *   **APIs**: Utilizar endpoints como `GET \u002Fdeals\u002F{dealId}\u002Ftimeline` (HubSpot) ou `GET \u002Fapi\u002Fv2\u002Ftickets` (Zendesk) para extrair eventos cronologicamente.\n        *   **Webhooks**: Configurar webhooks para disparar eventos em tempo real quando status de negócio mudam no CRM ou e-mails são abertos\u002Fclicados no marketing. Exemplo: Webhook no HubSpot para `POST https:\u002F\u002Fseu-webhook.com\u002Fprocess-log` ao mudar o estágio de um negócio para \"Cliente Ativo\".\n        *   **Exportação**: Para sistemas legados, exportar dados em CSV ou Excel e pré-processar.\n    *   **Exemplo de Eventos**: \"Cliente Criado\", \"Email de Boas-Vindas Enviado\", \"Configuração de Conta Iniciada\", \"Chamada de Onboarding Realizada\", \"Treinamento Concluído\", \"Suporte Ativado\".\n\n2.  **Estruturação e Pré-processamento do Log**:\n    *   **Formato**: Unificar todos os eventos em um arquivo CSV ou XES com colunas mínimas: `Case ID` (ID do cliente), `Activity Name` (nome da ação), `Timestamp` (data e hora do evento), `Resource` (quem executou, e.g., SDR Ana, Sistema Marketing), `Attributes` (e.g., Tipo de Plano, Segmento do Cliente).\n    *   **Exemplo de Pré-processamento (Python)**:\n        ```python\n        import pandas as pd\n        from datetime import datetime\n\n        def preprocess_log(df):\n            df['Timestamp'] = pd.to_datetime(df['Timestamp'])\n            df = df.sort_values(by=['Case ID', 'Timestamp'])\n            return df\n\n        # Carregar dados de diferentes fontes\n        crm_data = pd.read_csv('hubspot_events.csv')\n        email_data = pd.read_csv('activecampaign_events.csv')\n        support_data = pd.read_csv('zendesk_events.csv')\n\n        # Consolidar e padronizar\n        # ... (lógica para mapear colunas e criar Case ID, Activity, Timestamp, Resource)\n\n        unified_log = pd.concat([crm_data_processed, email_data_processed, support_data_processed])\n        unified_log_clean = preprocess_log(unified_log)\n        unified_log_clean.to_csv('onboarding_event_log.csv', index=False)\n        ```\n\n3.  **Análise de Processos com Ferramenta de Process Mining**:\n    *   **Carregamento**: Importar `onboarding_event_log.csv` para Disco, Celonis, ou usar PM4Py.\n    *   **Descoberta do Modelo**: Gerar um modelo de processo (e.g., grafo de precedência, BPMN) para visualizar o fluxo real.\n        *   Exemplo PM4Py: `import pm4py; log = pm4py.read_xes('onboarding_log.xes'); bpmn_graph = pm4py.discover_bpmn_inductive(log)`.\n    *   **Análise de Desempenho**: Identificar os caminhos mais longos, atividades com maior tempo de espera e gargalos.\n        *   Foco em transições entre atividades que apresentam alta duração média. Exemplo: \"Configuração de Conta Iniciada\" -> \"Treinamento Concluído\" com média de 5 dias, quando a meta é 2 dias.\n\n4.  **Identificação de Oportunidades de Automação**:\n    *   **Gargalo**: Se a transição \"Email de Boas-Vindas Enviado\" para \"Configuração de Conta Iniciada\" é manual e inconsistente, causando atrasos.\n        *   **Automação Proposta**: Criar um cenário no Make.com ou N8N.io que, ao detectar um novo cliente com status \"Ativo\" no CRM (via webhook), automaticamente:\n            1.  Dispara um e-mail de boas-vindas personalizado via API do ActiveCampaign: `POST \u002Fapi\u002F3\u002Fcontact_automations\u002F{automation_id}\u002Frun`.\n            2.  Cria uma tarefa de \"Configuração de Conta\" no Asana para o CSM responsável via API: `POST \u002Fapi\u002F1.0\u002Ftasks`.\n            3.  Envia uma mensagem de notificação para o canal do Slack do time de onboarding.\n    *   **Gargalo**: Se a etapa \"Solicitação de Documentos Iniciais\" é manual e atrasa o \"Treinamento Concluído\".\n        *   **Automação Proposta**: Implementar um chatbot proativo (integrado via API com sistema de CRM) que detecta a necessidade de documentos e envia um formulário ou solicita informações diretamente ao cliente, atualizando o status no CRM via API após o recebimento.\n\n5.  **Implementação e Monitoramento Contínuo**:\n    *   Desenvolver e testar as automações em Make\u002FN8N\u002FZapier.\n    *   Configurar dashboards de monitoramento dos KPIs de processo (tempo de ciclo, throughput, taxa de conclusão) para avaliar o impacto das automações.\n    *   Continuar coletando logs para novas rodadas de Process Mining e refinamento.\n\n### Workflow 2: Análise de Conformidade e Automação de Exceções em Processos de Aprovação de Despesas\n\nEste workflow aborda a detecção de não conformidades em processos de aprovação financeira e a automação de ações corretivas.\n\n1.  **Coleta de Dados de Log de Eventos**:\n    *   **Origem**: Sistema de gestão de despesas (ex: SAP Concur, Expensify), ERP (ex: SAP, Oracle Financials).\n    *   **Método**:\n        *   **APIs**: `GET \u002Fapi\u002Fv1\u002Fexpenses` para obter relatórios de despesas e seus status de aprovação.\n        *   **Exportação**: Exportar logs de aprovação e status das despesas.\n    *   **Exemplo de Eventos**: \"Despesa Submetida\", \"Aprovador Designado\", \"Aprovação Gerencial\", \"Aprovação Financeira\", \"Rejeitada por Política\", \"Reembolso Processado\".\n\n2.  **Estruturação e Pré-processamento do Log**:\n    *   **Formato**: `Case ID` (ID do relatório de despesas), `Activity Name`, `Timestamp`, `Resource` (funcionário, gerente, sistema), `Attributes` (valor da despesa, tipo de despesa, política aplicada).\n\n3.  **Definição de Regras de Conformidade**:\n    *   **Exemplos**:\n        *   \"Toda despesa acima de R$ 500,00 deve ter 'Aprovação Gerencial' E 'Aprovação Financeira'.\"\n        *   \"Despesas de viagem acima de R$ 1.000,00 devem ser aprovadas por um gerente sênior (Recurso: 'Gerente Sênior X').\"\n        *   \"Nenhuma despesa pode ser 'Reembolso Processado' sem uma etapa de 'Aprovação' prévia.\"\n\n4.  **Análise de Conformidade com Ferramenta de Process Mining**:\n    *   **Carregamento**: Ingerir o log de eventos na ferramenta.\n    *   **Verificação de Regras**: Utilizar os recursos de verificação de conformidade da ferramenta para comparar o processo real com as regras definidas.\n        *   Identificar casos onde a sequência \"Despesa Submetida\" -> \"Reembolso Processado\" ocorre para valores > R$ 500,00 sem as duas aprovações.\n        *   Visualizar as variantes não-conformes e suas frequências.\n\n5.  **Automação de Notificações e Ações Corretivas para Não Conformidades**:\n    *   **Cenário**: Uma despesa de R$ 700,00 é aprovada por um gerente, mas segue para \"Reembolso Processado\" sem a \"Aprovação Financeira\".\n    *   **Automação Proposta (Make\u002FN8N)**:\n        1.  **Gatilho**: Monitorar o sistema de despesas (via webhook ou API de polling) por eventos de \"Reembolso Processado\".\n        2.  **Condição**: Se o valor da despesa for > R$ 500,00 E o histórico do caso não incluir \"Aprovação Financeira\".\n        3.  **Ação 1 (Notificação)**:\n            *   Enviar um e-mail de alerta para o departamento financeiro e o gerente via API (ex: SendGrid): `POST \u002Fapi\u002Fmail\u002Fsend` com assunto \"Não Conformidade - Despesa [ID] Reembolsada Sem Aprovação Financeira\".\n            *   Enviar uma notificação via Slack\u002FTeams: `POST https:\u002F\u002Fhooks.slack.com\u002Fservices\u002F...` com detalhes da despesa e o problema.\n        4.  **Ação 2 (Correção)**:\n            *   Se a política permitir, a automação pode acionar uma API para reverter o status da despesa para \"Pendente de Revisão Financeira\" ou \"Rejeitada\" no sistema de despesas: `PUT \u002Fapi\u002Fv1\u002Fexpenses\u002F{expenseId}\u002Fstatus` com `{\"status\": \"Pending Finance Review\"}`.\n            *   Um prompt para um chatbot pode ser acionado para o aprovador: \"Olá, detectei que a despesa [ID da Despesa] foi aprovada por [Aprovador] sem a [Aprovação Financeira] necessária, pois o valor é R$ [Valor]. Deseja reverter a aprovação ou escalar este caso?\"\n\n6.  **Monitoramento Contínuo**:\n    *   Acompanhar o índice de conformidade em dashboards.\n    *   Registrar as ações corretivas automatizadas e o impacto na redução de não conformidades.\n\n---\n\n## Templates\n\n### Template de Log de Eventos (CSV)\n\n```csv\nCase ID,Activity,Timestamp,Resource,Amount,Category,Plan_Type,Client_Segment\nONB-001,Cliente Criado,2023-10-01 09:00:00,SDR Ana,0.00,Onboarding,Enterprise,Large\nONB-001,Email de Boas-Vindas Enviado,2023-10-01 09:05:00,Sistema Marketing,0.00,Onboarding,Enterprise,Large\nONB-001,Configuração de Conta Iniciada,2023-10-02 11:30:00,CSM João,0.00,Onboarding,Enterprise,Large\nONB-001,Chamada de Onboarding Realizada,2023-10-03 10:00:00,CSM João,0.00,Onboarding,Enterprise,Large\nONB-001,Treinamento Concluído,2023-10-05 16:00:00,CSM João,0.00,Onboarding,Enterprise,Large\nEXP-023,Despesa Submetida,2023-11-10 14:00:00,Funcionario B,850.00,Viagem,N\u002FA,N\u002FA\nEXP-023,Aprovador Designado,2023-11-10 14:05:00,Sistema Financeiro,850.00,Viagem,N\u002FA,N\u002FA\nEXP-023,Aprovação Gerencial,2023-11-11 09:00:00,Gerente X,850.00,Viagem,N\u002FA,N\u002FA\nEXP-023,Reembolso Processado,2023-11-11 11:00:00,Sistema Pagamentos,850.00,Viagem,N\u002FA,N\u002FA\nEXP-024,Despesa Submetida,2023-11-12 10:00:00,Funcionario C,300.00,Material Escritório,N\u002FA,N\u002FA\nEXP-024,Aprovador Designado,2023-11-12 10:05:00,Sistema Financeiro,300.00,Material Escritório,N\u002FA,N\u002FA\nEXP-024,Aprovação Gerencial,2023-11-12 14:00:00,Gerente Y,300.00,Material Escritório,N\u002FA,N\u002FA\nEXP-024,Reembolso Processado,2023-11-12 16:00:00,Sistema Pagamentos,300.00,Material Escritório,N\u002FA,N\u002FA\n```\n\n### Prompt para Chatbot de Otimização de Processo (com dados de Process Mining)\n\n```\nVocê é um assistente de otimização de processos. Analisei os dados de Process Mining para o processo de \"Atendimento ao Cliente\" e identifiquei um gargalo significativo que afeta 30% dos casos.\n\nO caminho mais frequente (70% dos casos) é:\n1. Cliente Abre Ticket (Duração Média: 0 horas)\n2. Atendente Designado (Duração Média: 0.5 horas)\n3. Resposta Inicial Enviada (Duração Média: 1 hora)\n4. Solicitação de Mais Informações (Duração Média: 2 horas) -> AQUI ESTÁ O GARGALO!\n5. Cliente Fornece Informações (Duração Média: 8 horas)\n6. Resolução do Ticket (Duração Média: 4 horas)\n\nA transição de \"Solicitação de Mais Informações\" para \"Cliente Fornece Informações\" tem um tempo médio de 8 horas, sendo o maior tempo de espera no processo. Além disso, 30% dos tickets necessitam de *duas ou mais* rodadas de \"Solicitação de Mais Informações\", indicando falta de clareza inicial.\n\nCom base nesta análise, proponha 3 ações concretas e automatizáveis para reduzir este gargalo e o tempo total de resolução do ticket. Inclua sugestões de como usar APIs, webhooks ou integrações com Make\u002FN8N\u002FZapier e como um chatbot ou IA pode participar.\n```\n\n---\n\n## Checklist\n\n-   [x] Dados de log de eventos extraídos de sistemas transacionais e formatados (ID do Caso, Atividade, Timestamp, Recurso, Atributos).\n-   [x] Ferramenta de Process Mining (ou script PM4Py) configurada e com dados carregados.\n-   [x] Modelo de processo descoberto e visualizado (e.g., grafo de precedência, BPMN) para identificação de fluxos reais.\n-   [x] Principais variantes de processo identificadas, quantificadas e analisadas por frequência e desempenho.\n-   [x]",{"name":5,"risk":24,"license":15,"metadata":25,"description":7},"safe",{"author":26,"updated":27,"version":28,"category":29},"Cafe Code AI",1772323200000,"1.0.0","12-ia-automacao","main","96f1c49829cef14a9744366f020b54c27ce1e8fc","ia-automacao\u002Fprocess-mining",0,"https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack","https:\u002F\u002Fgithub.com\u002Fdiegojcn","https:\u002F\u002Fbdconsult.net.br\u002F","Just a guy who believes anything is possible to do or learn.","2026-08-01 20:29:22",{"source":8,"skillName":5,"commands":40,"prompt":50,"zipAvailable":51},[41,44,47],{"tool":42,"command":43},"npx","npx skills add diegojcn\u002Fagent-skill-pack --skill process-mining",{"tool":45,"command":46},"bunx","bunx skills add diegojcn\u002Fagent-skill-pack --skill process-mining",{"tool":48,"command":49},"pnpm","pnpm dlx skills add diegojcn\u002Fagent-skill-pack --skill process-mining","安装技能，技能地址：https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack\u002Fblob\u002Fmain\u002Fia-automacao\u002Fprocess-mining\u002FSKILL.md",true,[],[54,62,69,76,85,93],{"skillNo":55,"name":56,"nameZh":6,"description":57,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":58,"licenseFileUrl":6,"sourceHtmlUrl":59,"categories":60,"keywords":61,"publishedAt":19},"01M7A5F6060M1CMYXA32MAB5YK","clarity-gate","Pre-ingestion verification for epistemic quality in RAG systems. Ensures documents are properly qualified before entering knowledge bases. Produces CGD (Clarity-Gated Documents) and validates SOT (Source of Truth) files.","CC-BY-4.0","https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack\u002Fblob\u002Fmain\u002Fworkflow\u002Fclarity-gate\u002FSKILL.md",[],[],{"skillNo":63,"name":64,"nameZh":6,"description":65,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":66,"categories":67,"keywords":68,"publishedAt":19},"01M7A5B3X23ME7CTA3B29C18EN","skill-check","Validate Claude Code skills against the agentskills specification. Catches structural, semantic, and naming issues before users do.","https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack\u002Fblob\u002Fmain\u002Ftooling\u002Fskill-check\u002FSKILL.md",[],[],{"skillNo":70,"name":71,"nameZh":6,"description":72,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":73,"categories":74,"keywords":75,"publishedAt":19},"01M7A5B06YPKDW1NQQ1185MME5","peon-ping-use","Set which voice pack (character voice) plays for the current chat session. Automatically enables session_override rotation mode if not already set. Use when user wants a specific character voice like GLaDOS, Peon, or Kerrigan for this conversation.","https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack\u002Fblob\u002Fmain\u002Ftooling\u002Fpeon-ping-use\u002FSKILL.md",[],[],{"skillNo":77,"name":78,"nameZh":6,"description":79,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":80,"licenseFileUrl":81,"sourceHtmlUrl":82,"categories":83,"keywords":84,"publishedAt":19},"01M7A5A24ANPXAK25W1BZB18TX","mcp-builder","Guide for creating high-quality MCP (Model Context Protocol) servers that enable LLMs to interact with external services through well-designed tools. Use when building MCP servers to integrate exte...","Apache-2.0","https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack\u002Fblob\u002Fmain\u002Ftooling\u002Fmcp-builder\u002FLICENSE.txt","https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack\u002Fblob\u002Fmain\u002Ftooling\u002Fmcp-builder\u002FSKILL.md",[],[],{"skillNo":86,"name":87,"nameZh":6,"description":88,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":80,"licenseFileUrl":89,"sourceHtmlUrl":90,"categories":91,"keywords":92,"publishedAt":19},"01M7A553V4A3J4YKMCE7PYQX8X","webapp-testing","Toolkit for interacting with and testing local web applications using Playwright. Supports verifying frontend functionality, debugging UI behavior, capturing browser screenshots, and viewing browse...","https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack\u002Fblob\u002Fmain\u002Fsoftware-development\u002Fwebapp-testing\u002FLICENSE.txt","https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack\u002Fblob\u002Fmain\u002Fsoftware-development\u002Fwebapp-testing\u002FSKILL.md",[],[],{"skillNo":94,"name":95,"nameZh":6,"description":96,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":97,"categories":98,"keywords":99,"publishedAt":19},"01M7A53PZ7PJEMS2YVPJW3XN44","test-driven-development","TDD: enforce RED-GREEN-REFACTOR, tests before code.","https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack\u002Fblob\u002Fmain\u002Fsoftware-development\u002Ftest-driven-development\u002FSKILL.md",[],[]]