Открытие бизнес-процессов

бизнес-процессов Обнаружение (BPD), связанное с управлением бизнес-процессами и анализом процессов, представляет собой набор методов, которые вручную или автоматически создают представление текущих бизнес-процессов организации и их основных вариаций. Эти методы используют данные, записанные в существующих организационных методах работы, документации и технологических системах, которые управляют бизнес-процессами внутри организации. Тип данных, необходимый для обнаружения процесса, называется журналом событий. Любая запись данных, содержащая идентификатор дела (уникальный идентификатор, который помогает группировать действия, принадлежащие одному делу), имя действия (описание происходящего действия) и метку времени . Такая запись подходит для журнала событий и может использоваться для обнаружения базовой модели процесса. Журнал событий может содержать дополнительную информацию, связанную с процессом, например ресурсы, выполняющие действие, тип или характер событий или любые другие соответствующие сведения. Целью обнаружения процессов является получение модели процесса, которая как можно точнее описывает журнал событий. Модель процесса действует как графическое представление процесса ( Сети Петри , BPMN , диаграммы деятельности , диаграммы состояний и т. д.). Журналы событий, используемые для обнаружения, могут содержать шум, нерегулярную информацию и противоречивые/неверные временные метки. Обнаружение процессов затруднено из-за таких зашумленных журналов событий, а также из-за того, что журнал событий содержит только часть реального процесса, скрытого за системой. Алгоритмы обнаружения должны зависеть исключительно от небольшого процента данных, предоставленных журналами событий, чтобы разработать модель, максимально приближенную к реальному поведению.

Методы обнаружения процессов

За прошедшие годы были разработаны различные алгоритмы для обнаружения модели процесса с использованием журнала событий:

• α-алгоритм — α-алгоритм был первым алгоритмом обнаружения процессов, который мог адекватно справляться с параллелизмом. Используя журнал событий в качестве входных данных, α-алгоритм определяет различные «связи» между действиями, происходящими в журнале событий. Эти отношения используются для создания сети Петри, представляющей журнал. Хотя α-алгоритм не следует рассматривать как метод майнинга, который можно использовать на практике, он обеспечивает хорошее введение в тему. Альфа-алгоритм послужил основой для многих других методов обнаружения процессов.
• Эвристический анализ . Алгоритмы эвристического анализа используют представление, аналогичное причинным сетям. Более того, эти алгоритмы учитывают частоты событий и последовательностей при построении модели процесса. Основная идея заключается в том, что в модель не следует включать редкие пути.
• Генетический анализ процессов . α-алгоритм и методы эвристического и нечеткого анализа позволяют создавать модели процессов прямым и детерминированным образом. Генетические алгоритмы — это метод поиска, имитирующий естественный процесс эволюции биологических систем. Эти алгоритмы пытаются найти решение в пространстве поиска либо путем тестирования существующих точек, либо посредством процесса мутации или комбинации существующих точек. Такие подходы не являются детерминированными и зависят от рандомизации для поиска новых альтернатив.
• Интеллектуальный анализ на основе регионов . В контексте сетей Петри исследователи рассматривают так называемую проблему синтеза, то есть построение модели системы на основе описания ее поведения. Области на основе состояний можно использовать для построения сети Петри из системы переходов. Этот метод находит «области общего возбуждения» и строит сети Петри, используя такие области. Языковые регионы можно использовать для построения сети Петри из закрытого префиксом языка. Методика языковых регионов использует алгебраические ограничения, смоделированные на основе журнала событий, для определения мест, допускающих поведение, наблюдаемое в журнале событий.
• Индуктивный майнер . Для деревьев процессов существует ряд методов обнаружения индуктивных процессов, которые обеспечивают надежность построения. Таким образом, концепция индуктивного майнинга обладает широкими возможностями расширения и допускает множество вариантов базового подхода. Он считается одним из ведущих подходов к обнаружению процессов благодаря своей гибкости, формальным гарантиям и масштабируемости.

Приложение

Business Process Discovery дополняет и развивает работу во многих других областях.

• Обнаружение процессов является одним из трех основных типов интеллектуального анализа процессов . Два других типа интеллектуального анализа процессов — это проверка соответствия и расширение/улучшение модели. Все эти методы направлены на извлечение информации, связанной с процессом, из журналов событий. В случае обнаружения процесса предшествующая модель процесса отсутствует; модель обнаруживается на основе журналов событий. Проверка соответствия направлена ​​на поиск различий между данной моделью процесса и журналом событий. Таким образом, можно количественно оценить соответствие и проанализировать расхождения. Расширение берет априорную модель и улучшает или расширяет ее, используя информацию из журнала событий, например, показывая узкие места.
• Обнаружение бизнес-процессов — это новый уровень понимания в развивающейся области бизнес-аналитики , который позволяет организациям просматривать, анализировать и корректировать базовую структуру и процессы, входящие в повседневную деятельность. Это открытие включает сбор информации обо всех компонентах бизнес-процесса, включая технологии, людей, процедуры и протоколы отдела.
• Обнаружение бизнес-процессов создает мастер-процесс , который дополняет анализ бизнес-процессов (BPA). Инструменты и методологии BPA хорошо подходят для нисходящей иерархической декомпозиции процессов и анализа будущих процессов. BPD обеспечивает анализ снизу вверх, который сочетается с анализом сверху вниз, обеспечивая полный бизнес-процесс, иерархически организованный BPA.
• Бизнес-аналитика предоставляет организациям отчеты и аналитику данных в их организациях. Однако у BI нет модели процесса, осведомленности или аналитики. BPD дополняет BI, предоставляя четкое представление о текущих операциях и предоставляя аналитику этой модели процесса, чтобы помочь организациям выявлять неэффективность или аномалии бизнес-процессов и принимать меры по их устранению.
• Веб-аналитика является ограниченным примером BPD, поскольку веб-аналитика реконструирует процесс взаимодействия веб-пользователя с веб-сайтом. Однако эта аналитика ограничивается процессом, содержащимся в сеансе, с точки зрения пользователей и только в отношении веб-системы и процесса.
• Бизнес-сортировка обеспечивает основу для категоризации процессов, определенных с помощью анализа бизнес-процессов (BPA), на основе их относительной важности для достижения заявленной измеримой цели или результата. Используя те же категории, которые используются в военно-медицинских службах и службах экстренной медицинской помощи, бизнес-процессы подразделяются на следующие категории:
  • Существенный/критический (красный процесс) – процесс, необходимый для достижения результатов/целей.
  • Важный/срочный (желтый процесс) – процесс, ускоряющий достижение результатов/целей.
  • Факультативный/вспомогательный (зеленый процесс) – процесс не требуется для достижения результатов/целей.

Ресурсы распределяются в зависимости от категории процесса: сначала ресурсы выделяются для красных процессов, затем для желтых процессов и, наконец, для зеленых процессов. В случае, если ресурсы становятся ограниченными, ресурсы сначала удерживаются у зеленых процессов, а затем у желтых процессов. Ресурсы удерживаются от красных процессов только в том случае, если неспособность достичь результатов/целей является приемлемой.

Цель и пример

Небольшой пример может проиллюстрировать технологию обнаружения бизнес-процессов, которая необходима сегодня. Инструменты автоматического обнаружения бизнес-процессов собирают необходимые данные и преобразуют их в структурированный набор данных для фактической диагностики; Основной проблемой является группировка повторяющихся действий пользователей в значимые события. Далее, эти инструменты обнаружения бизнес-процессов предлагают вероятностные модели процессов. Вероятностное поведение имеет важное значение для анализа и диагностики процессов. Ниже показан пример, в котором вероятностный процесс восстановления восстанавливается в результате действий пользователя. Модель процесса «как есть» показывает, в чем именно проблема этого бизнеса. Пять процентов ошибочного ремонта — плохой знак, но, что еще хуже, повторяющиеся исправления, необходимые для завершения этого ремонта, обременительны.

Business Process Discovery Example

Более глубокий анализ данных процесса «как есть» может выявить те неисправные детали, которые отвечают за общее поведение в этом примере. Это может привести к обнаружению подгрупп ремонтов, улучшение которых действительно требует внимания руководства.

Business Process Comprehend

В этом случае станет очевидно, что неисправные детали также несут ответственность за повторяющиеся исправления. Подобные приложения были задокументированы, например, случай с поставщиком медицинского страхования, где за 4 месяца окупаемость инвестиций в анализ бизнес-процессов была получена за счет точного понимания процесса обработки претензий и обнаружения неисправных частей.

История

• Бизнес-аналитика (BI) появилась более 20 лет назад и имеет решающее значение для отчетности о том, что происходит в системах организации. Однако современные приложения бизнес-аналитики и технологии интеллектуального анализа данных не всегда подходят для оценки уровня детализации, необходимого для анализа неструктурированных данных и человеческой динамики бизнес-процессов.
• Шесть сигм и другие количественные подходы к улучшению бизнес-процессов используются уже более десяти лет с разной степенью успеха. Основным ограничением успеха этих подходов является доступность точных данных, составляющих основу анализа. Благодаря BPD многие организации, придерживающиеся принципа «шести сигм», обретают возможность эффективно расширить свой анализ на основные бизнес-процессы.
• Интеллектуальный анализ процессов По мнению исследователей из Технологического университета Эйндховена, (PM) возник как научная дисциплина примерно в 1990 году, когда такие методы, как алгоритм Alpha, позволили извлекать модели процессов (обычно представленные в виде сетей Петри ) из журналов событий. Появилась критика отмечая, что Process Mining — это не более чем набор алгоритмов, который решает конкретную и простую бизнес-задачу: обнаружение бизнес-процессов и вспомогательные методы оценки. Сегодня существует более 100 алгоритмов интеллектуального анализа процессов, которые способны обнаруживать модели процессов, которые также включают параллелизм, например, методы обнаружения генетических процессов, эвристические алгоритмы интеллектуального анализа, алгоритмы интеллектуального анализа на основе регионов и алгоритмы нечеткого интеллектуального анализа.

Модели процессов

Методы обнаружения процессов, применяемые к журналам событий, обеспечивают графическое представление процесса. Результатом работы алгоритма обнаружения процесса обычно является модель процесса и статистика случаев, которые входят в журнал событий. Представление и точность обнаруженной модели зависят как от метода, использованного для открытия, так и от выбранного типа визуализации.

• График прямого следования . График прямого следования (DFG) — это простейшее представление моделей процессов. В графе прямого следования каждый узел представляет действие, а дуги описывают взаимосвязь между различными действиями. Обычно в модели процесса график прямого следования имеет источник и приемник, представляющие начальные и конечные действия. Дуга на графике прямого следования между любыми двумя действиями означает, что за исходным действием непосредственно следует действие приемника в журнале событий.
• Сети Петри : Сети Петри обеспечивают представление моделей процессов более высокого уровня и позволяют компактно представить параллельное поведение в процессах. Сеть Петри способна показывать различные типы преобразований между действиями. Сети Петри способны описывать последовательное, параллельное, выборочное и циклическое выполнение различных действий в процессах. Понятие потоков токенов было принято большинством языков графического моделирования процессов (BPMN, диаграммы активности UML и т. д.).
• BPMN : Стандарт BPMN 2.0 (модель бизнес-процесса и нотация) широко используется и позволяет строить компактные и понятные модели процессов. В дополнение к плоскому подходу к потоку управления подпроцессы, потоки данных и ресурсы могут быть интегрированы в одну диаграмму BPMN. Это делает BPMN очень привлекательным как для майнеров процессов, так и для бизнес-пользователей, поскольку перспектива потока управления может быть интегрирована с перспективами данных и ресурсов, обнаруженными из журналов событий.

См. также

• Управление бизнес-процессами
• Интеллектуальный анализ данных
• Анализ процесса
• Технологический майнинг
• Майнинг задач

Дальнейшее чтение

• ВМП ван дер Аалст , «Процессный майнинг: обнаружение, соответствие и улучшение бизнес-процессов». Springer Verlag, Берлин, 2011 г. ( ISBN   978-3-642-19344-6 ).
• Кук Дж. Э., Вольф А. Л., «Автоматизация обнаружения процессов посредством анализа данных о событиях», Материалы 17-й Международной конференции по разработке программного обеспечения, Сиэтл, Вашингтон, США, 1995.
• Ирани З., Хлупич В., Гиаглис Г., «Реинжиниринг бизнес-процессов: перспектива проектирования», Международный журнал гибких производственных систем, 12, стр. 247–252 (2000).
• Линтон, доктор медицинских наук, «Перед лицом проблем автоматизации услуг: инструмент для электронной коммерции и повышения производительности в традиционных услугах», транзакции IEE по инженерному менеджменту, 54, № 4, ноябрь 2003 г.
• Линтон Дж., «Карта процесса и проектирование: подробная карта процесса может помочь сократить все, от времени цикла до дефектов и этапов процесса», Сборка цепей: Журнал поверхностного монтажа и сборки электроники, февраль 2007 г.
• Вернер Л., «Проблема обнаружения процессов», BPM Trends, май 2004 г.
• ВМП ван дер Аалст , Б.Ф. ван Донген, Дж. Хербст, Л. Марустер, Г. Шимм и AJMM Вейтерс. Workflow Mining: обзор проблем и подходов. Инженерия данных и знаний, 47(2):237-267, 2003.
• WMP ван дер Аалст , AJMM Вейтерс и Л. Марустер. Анализ рабочих процессов: обнаружение моделей процессов из журналов событий. IEEE Transactions on Knowledge and Data Engineering, 16(9):1128–1142, 2004.
• ВМП ван дер Аалст , Х.А. Рейерс, AJMM Вейтерс, Б.Ф. ван Донген, АК Алвес де Медейрос, М. Сонг и HMW Вербек. Майнинг бизнес-процессов: промышленное применение. Информационные системы, 32(5):713-732, 2007.
• В. ван дер Аалст , Т. Вейтерс и Л. Марустер, «Интеллектуальный анализ рабочих процессов: обнаружение моделей процессов из журналов событий», в IEEE Transactions on Knowledge and Data Engineering, vol. 16, нет. 9, стр. 1128–1142, сентябрь 2004 г., doi: 10.1109/TKDE.2004.47.