Сравнительный анализ основных подходов к извлечению моделей бизнес-процессов из логов событий

В работе ставится задача рассмотреть возможные модели процессов и алгоритмы извлечения моделей процессов из логов событий. В результате сравнительного анализа делается вывод о том, что каждый алгоритм несет определенные возможности для реализации. Определенные алгоритмы несут фундаментальную ценность и при помощи них можно объяснить основные методики извлечения моделей процессов. Алгоритмы, которые применяются на практике, решают конкретные задачи, наиболее подходящие под критерии, заданные алгоритмом.

1. Описание основных концепций построения моделей процессов
2. Исследование алгоритмов извлечения процессов и применение их для конкретных примеров
3. В результате сравнительного анализа по определенным критериям, должны быть выявлены сильные и слабые стороны алгоритмов для получения дальнейших выводов о применимости алгоритмов на практике
4. Доказательство эффективности и практической необходимости глубинного анализа процессов для работы, связанной с построением, анализом и оптимизацией бизнес-процессов

Глубинный анализ процессов (process mining) помогает решить многие проблемы путём получения данных о реальном бизнес-процессе на основании данных в информационной системе, которые поддерживают этот процесс. Получение данных происходит из логов событий (event logs), которые содержат в себе всю реальную информацию о взаимодействии участника процесса непосредственно с самим процессом. Лог событий – это набор трасс (traces), т.е. последовательности данных о действии.  В данной работе будут рассмотрена одна из основных функций глубинного анализа процессов – извлечение процессов (discovery). Извлечение процессов представлено различными алгоритмами, результатом работы которых является модель процесса

Использование формальных методов (сети Петри и т.п.), методики анализа на основе данных (глубинное извлечение данных, глубинное извлечение процессов).

В данной работе были рассмотрены как модели процессов, так и алгоритмы извлечения моделей процессов. Основная задача, которую необходимо было решить в рамках данной работы, рассмотреть детально алгоритмы извлечения бизнес-процессов и сделать вывод для каких задач предназначен каждый из алгоритмов. Нельзя сказать, что какой-то из алгоритмов хуже или лучше. В данном случае, каждый алгоритм выполняет свою роль, работает со своим спектром данных и несет определенную пользу. После проведения исследования можно сказать, что альфа-алгоритм является прекрасной фундаментальной базой для понимания работы алгоритмов извлечения моделей процесса, но он не пригоден для решения конкретных практических задач. Эвристический алгоритм и алгоритм нечеткого извлечения являются более практически применимыми алгоритмами. Так, эвристический алгоритм, прекрасно показывает себя при работе с реальными данными у которых небольшой разброс разнообразия событий. Также он подойдет в случае, если для дальнейшей работы вам необходима модель сеть Петри. Алгоритм нечеткого извлечения можно использовать, если вы хотите видеть на выходной модели желательные пути, исключить нерелевантные детали, уменьшить сложность и увеличить усваиваемость. Глубинный анализ процессов является достаточно молодой, но быстроразвивающейся дисциплиной. Один из основоположников и главных идейных вдохновителей этого направления профессор Технического университета Эйндховена Вил ван дер Аалст говорит о том, что будущее за наукой о данных (data science), так как организациям, не способным использовать большие данные просто не выжить. Действительно, сегодня мы имеем большое количество источников информации, и их число растет достаточно быстро, чтобы задуматься о том, как правильно работать с увеличивающимся числом данных. Именно поэтому глубинный анализ процессов сейчас начинает использоваться в качестве инструмента не только на зарубежных рынках, но и на российском рынке. Развитие данной тематики поможет усовершенствовать многие процессы и, как следствие, поднять производительность на предприятиях, увеличить качественные показатели обслуживания людей в государственных учереждениях и т.д. 

Van der Aalst W. M. P. Process mining: discovery, conformance and enhancement of business processes. // Springer, 2011.
Esmita P. Gupta. Process Mining A Comparative Study. // International Journal of Advanced Research in Computer and Communication Engineering, Vol. 3, Issue 11, November 2014.
Christian W. Gunther and Wil M.P. van der Aalst. Fuzzy Mining – Adaptive Process Simplification Based on Multi-Perspective Metrics. // 2007.
A.J.M.M. Weijters, W.M.P. van der Aalst, and A.K. Alves de Medeiros. Process Mining with the Heuristics Miner Algorithm // 2011.
Kalenkova A. A., Lomazova I. A., van der Aalst W. Process Model Discovery: A Method Based on Transition System Decomposition. // Application and Theory of Petri Nets and Concurrency. Springer, 2014.

Today we have a large quantity of information sources, and this number is growing too fast to think about how to deal in a proper way with this increasing volume of data. My work is about process mining – a new technology for working with data. Process mining provides a new approach to dealing with different processes and helps to solve the problem by obtaining multiple data about the actual business process which is based on the data of the information systems supporting this process. Process mining allows detecting, analyzing and optimizing business processes. Getting data comes from event logs, which contain all the real information about the interaction of the participant directly with the process. It is important to note that analyzing the business processes within the framework of in-depth analysis of the processes we are interested only in a continuous end process (end-to-end process), but the data itself doesn’t interest us, which means that in contrast to the data mining, process mining doesn’t use low-level patterns in raw data for decision-making and business processes are used, which are modeled on the basis of initial data. The topic discussed in this project is relevant, since it meets the modern demands. To increase the efficiency of business processes with the aim of good management of interrelated activities and tasks, also to track variations in the already used business processes for optimization. One of the main distinctive features of process mining is the ability of the actual business process execution. This technique, as opposed to a simple analytical data collection with the help of stakeholders, can provide a higher guarantee of the correctness of the data provided, and it’s a less time consuming process with a wider range of output data in the form of graphical or tabular representation.