Upptäckt av affärsprocesser

Business process discovery (BPD) relaterad till affärsprocesshantering och process mining är en uppsättning tekniker som manuellt eller automatiskt konstruerar en representation av en organisations nuvarande affärsprocesser och deras stora processvariationer. Dessa tekniker använder data som registrerats i befintliga organisatoriska arbetsmetoder, dokumentation och teknologisystem som driver affärsprocesser inom en organisation. Den typ av data som krävs för processupptäckt kallas en händelselogg. Alla dataposter som innehåller ärende-id (en unik identifierare som är användbar för att gruppera aktiviteter som hör till samma ärende), aktivitetsnamn (beskrivning av aktiviteten som äger rum) och tidsstämpel . En sådan post kvalificerar sig för en händelselogg och kan användas för att upptäcka den underliggande processmodellen. Händelseloggen kan innehålla ytterligare information relaterad till processen, såsom resurserna som utför aktiviteten, typen eller arten av händelserna, eller andra relevanta detaljer. Process discovery syftar till att få fram en processmodell som beskriver händelseloggen så nära som möjligt. Processmodellen fungerar som en grafisk representation av processen ( Petrinets , BPMN , aktivitetsdiagram , tillståndsdiagram , etc.). Händelseloggarna som används för upptäckt kan innehålla brus, oregelbunden information och inkonsekventa/felaktiga tidsstämplar. Processupptäckt är utmanande på grund av sådana bullriga händelseloggar och eftersom händelseloggen bara innehåller en del av den faktiska processen gömd bakom systemet. Upptäcktsalgoritmerna bör enbart bero på en liten procentandel av data som tillhandahålls av händelseloggarna för att utveckla en modell som ligger närmast det faktiska beteendet.

Processupptäcktstekniker

Olika algoritmer har utvecklats under åren för att upptäcka processmodellen med hjälp av en händelselogg:

α-algoritm - α-algoritm var den första processupptäcktsalgoritmen som på ett adekvat sätt kunde hantera samtidighet. Med en händelselogg som ingång, härleder a-algoritmen olika "relationer" mellan aktiviteterna som inträffar i händelseloggen. Dessa relationer används för att producera ett Petri-nät som representerar loggen. Även om α-algoritmen inte ska betraktas som gruvteknik som kan användas i praktiken, ger den en bra introduktion till ämnet. α-algoritmen gav grunden för många andra processupptäcktstekniker.
Heuristisk gruvdrift – Heuristiska gruvalgoritmer använder en representation som liknar kausala nät. Dessutom tar dessa algoritmer hänsyn till frekvenser av händelser och sekvenser när en processmodell konstrueras. Grundtanken är att sällsynta vägar inte ska införlivas i modellen.
Genetisk processmining - α-algoritmen och teknikerna för heuristisk och fuzzy mining tillhandahåller processmodeller på ett direkt och deterministiskt sätt. Genetiska algoritmer är en sökteknik som efterliknar den naturliga evolutionsprocessen i biologiska system. Dessa algoritmer försöker hitta en lösning i sökutrymmet, antingen genom att testa befintliga punkter, eller genom mutationsprocessen eller en kombination av befintliga punkter. Sådana tillvägagångssätt är inte deterministiska och är beroende av randomisering för att hitta nya alternativ.
Regionbaserad gruvdrift - I samband med Petri nät har forskare tittat på det så kallade syntesproblemet, dvs att konstruera en systemmodell utifrån en beskrivning av dess beteende. Statsbaserade regioner kan användas för att konstruera ett Petri-nät från ett övergångssystem. Denna teknik hittar "General Excitation Regions" och bygger petrinät med hjälp av sådana regioner. Språkbaserade regioner kan användas för att konstruera ett Petri-nät från ett prefix-stängt språk. Den språkbaserade regiontekniken använder algebraiska begränsningar modellerade från händelseloggen för att bestämma platserna som tillåter beteendet som observeras i händelseloggen.
Induktiv gruvarbetare - En rad induktiva processupptäckningstekniker finns för processträd, som säkerställer sundhet från konstruktion. Därför är det induktiva gruvramverket mycket utbyggbart och tillåter många varianter av det grundläggande tillvägagångssättet. Det anses vara en av de ledande metoderna för processupptäckt på grund av dess flexibilitet, formella garantier och skalbarhet.

Ansökan

Business Process Discovery kompletterar och bygger vidare på arbetet inom många andra områden.

Process upptäckt är en av de tre huvudtyperna av process mining . De andra två typerna av process mining är överensstämmelsekontroll och modellutvidgning/-förbättring. Alla dessa tekniker syftar till att extrahera processrelaterad kunskap från händelseloggar. I fallet med processupptäckt finns det ingen tidigare processmodell; modellen upptäcks baserat på händelseloggar. Överensstämmelsekontroll syftar till att hitta skillnader mellan en given processmodell och händelselogg. På så sätt är det möjligt att kvantifiera efterlevnaden och analysera avvikelser. Enhancement tar en a priori-modell och förbättrar eller utökar den med hjälp av information från händelseloggen, t.ex. visa flaskhalsar.
Upptäckt av affärsprocesser är nästa nivå av förståelse inom det framväxande fältet av affärsanalys , vilket gör att organisationer kan se, analysera och justera den underliggande strukturen och processerna som ingår i den dagliga verksamheten. Denna upptäckt inkluderar informationsinsamling av alla komponenter i en affärsprocess, inklusive teknik, människor, avdelningsprocedurer och protokoll.
Upptäckt av affärsprocesser skapar en processmästare som kompletterar affärsprocessanalys (BPA). BPA-verktyg och metoder är väl lämpade för hierarkisk processnedbrytning uppifrån och ned och analys av kommande processer. BPD tillhandahåller en bottoms-up-analys som kombineras med top-down för att ge en komplett affärsprocess, organiserad hierarkiskt av BPA.
Business Intelligence förser organisationer med rapportering och analyser av data i deras organisationer. BI har dock ingen processmodell, medvetenhet eller analys. BPD kompletterar BI genom att tillhandahålla en explicit processvy till nuvarande verksamhet och tillhandahålla analyser av den processmodellen för att hjälpa organisationer att identifiera och agera på ineffektivitet eller anomalier i affärsprocesserna.
Webbanalys är ett begränsat exempel på BPD genom att webbanalys rekonstruerar webbanvändarens process när de interagerar med en webbplats. Dessa analyser är dock begränsade till processen som ingår i sessionen, ur användarens perspektiv och med avseende på bara det webbaserade systemet och processen.
Business triage ger ett ramverk för att kategorisera de processer som identifierats av affärsprocessanalys (BPA) baserat på deras relativa betydelse för att uppnå ett uttalat, mätbart mål eller resultat. Med användning av samma kategorier som används av militära medicinska tjänster och katastrofmedicinska tjänster, kategoriseras affärsprocesser som:
- Väsentligt/kritiskt (röd process) - Process väsentlig för att uppnå resultat/mål
- Viktigt/brådskande (gul process) - Process som påskyndar uppnåendet av resultat/mål
- Valfritt/stödjande (grön process) - Processen behövs inte för att uppnå resultat/mål

Resurser allokeras utifrån processkategorin med resurser först dedikerade till röda processer, sedan gula processer och slutligen gröna processer. I händelse av att resurserna blir begränsade, undanhålls resurser först från Gröna processer, sedan Gula processer. Resurser undanhålls endast från röda processer om misslyckande med att uppnå resultat/mål är acceptabelt.

Syftet och exemplet

Ett litet exempel kan illustrera Business Process Discovery-teknologin som krävs idag. Automatiserade verktyg för upptäckt av affärsprocesser fångar in den data som krävs och omvandlar den till en strukturerad datauppsättning för den faktiska diagnosen; En stor utmaning är grupperingen av repetitiva handlingar från användarna till meningsfulla händelser. Därefter föreslår dessa verktyg för upptäckt av affärsprocesser probabilistiska processmodeller. Probabilistiskt beteende är väsentligt för analys och diagnos av processerna. Följande visar ett exempel där en probabilistisk reparationsprocess återställs från användaråtgärder. Processmodellen "i befintligt skick" visar exakt var smärtan finns i denna verksamhet. Fem procent felaktiga reparationer är ett dåligt tecken, men värre, de upprepade korrigeringar som krävs för att slutföra dessa reparationer är besvärliga.

En djupare analys av processdata "i befintligt skick" kan avslöja vilka som är de felaktiga delarna som är ansvariga för det övergripande beteendet i detta exempel. Det kan leda till upptäckten av undergrupper av reparationer som faktiskt behöver ledningsfokus för förbättring.

I det här fallet skulle det bli uppenbart att de felaktiga delarna också är ansvariga för de upprepade korrigeringarna. Liknande applikationer har dokumenterats, till exempel ett fall med en vårdförsäkringsleverantör där ROI för affärsprocessanalys erhölls på fyra månader genom att exakt förstå dess skadehanteringsprocess och upptäcka de felaktiga delarna.

Historia

Business intelligence (BI) uppstod för mer än 20 år sedan och är avgörande för att rapportera vad som händer inom en organisations system. Ändå är nuvarande BI-applikationer och datautvinningstekniker inte alltid lämpade för att utvärdera den detaljnivå som krävs för att analysera ostrukturerad data och den mänskliga dynamiken i affärsprocesser.
Six Sigma och andra kvantitativa metoder för förbättring av affärsprocesser har använts i över ett decennium med varierande framgång. En stor begränsning för framgången med dessa tillvägagångssätt är tillgången på korrekta data för att ligga till grund för analysen. Med BPD hittar många six-sigma-organisationer möjligheten att effektivt utöka sin analys till stora affärsprocesser.
Processmining Enligt forskare vid Eindhovens tekniska universitet uppstod (PM) som en vetenskaplig disciplin runt 1990 när tekniker som Alpha-algoritmen gjorde det möjligt att extrahera processmodeller (vanligtvis representerade som Petrinet ) från händelseloggar. Kritik har dykt upp ^{[ citat behövs ]} som påpekar att Process Mining inte är mer än en uppsättning algoritmer som löser ett specifikt och enkelt affärsproblem: upptäckt av affärsprocesser och extra utvärderingsmetoder. Idag finns det över 100 process mining algoritmer som kan upptäcka processmodeller som också inkluderar samtidighet, t.ex. genetiska process discovery-tekniker, heuristiska gruvalgoritmer, regionbaserade gruvalgoritmer och fuzzy gruvalgoritmer.

Processmodeller

Processupptäcktsteknikerna som tillämpas på händelseloggarna ger en grafisk representation av en process. Resultatet av en processupptäcktsalgoritm är i allmänhet en processmodell och statistik över de fall som ingår i händelseloggen. Representationen och noggrannheten av den upptäckta modellen beror både på tekniken som används för upptäckten och vilken typ av visualisering som väljs.

Direkt-följer graf : En Directly-Follows Graph (DFG) är den enklaste representationen av processmodellerna. I en direkt efterföljande graf representerar varje nod en aktivitet och bågarna beskriver förhållandet mellan olika aktiviteter. Typiskt i en processmodell har den direktföljande grafen en källa och sjunka som representerar start- och slutaktiviteterna. En båge i den direktföljande grafen mellan två valfria aktiviteter representerar att källaktiviteten följs direkt av sänkaktiviteten i händelseloggen.
Petri-nät : Petri-nät ger en representation på högre nivå av processmodellerna och möjliggör en kompakt representation av samtidiga beteenden i processer. Ett Petri-nät kan visa olika typer av transformationer mellan aktiviteterna. Petri-nät kan beskriva sekventiell, parallell, val och loop-utförande mellan olika aktiviteter i processerna. Begreppet tokenflöden har antagits av de flesta grafiska processmodelleringsspråk (BPMN, UML-aktivitetsdiagram, etc.).
BPMN : BPMN 2.0-standarden (Business Process Model and Notation) används flitigt och gör det möjligt att bygga kompakta och begripliga processmodeller. Förutom det platta kontrollflödesperspektivet kan delprocesser, dataflöden, resurser integreras i ett BPMN-diagram. Detta gör BPMN mycket attraktivt för både processminers och affärsanvändare eftersom kontrollflödesperspektivet kan integreras med data- och resursperspektiv som upptäcks från händelseloggar.

Se även

Vidare läsning

WMP van der Aalst , "Process Mining: Discovery, Conformance and Enhancement of Business Processes". Springer Verlag, Berlin, 2011 ( ISBN 978-3-642-19344-6 ).
Cook JE, Wolf AL, "Automating Process Discovery through Event-Data Analysis", Proceedings of the 17th International Conference on Software Engineering, Seattle, Washington, USA, 1995.
Irani Z., Hlupic V., Giaglis G., "Business-Process Reengineering: A Design Perspective", The International Journal of Flexible Manufacturing Systems, 12, s. 247 – 252 (2000)
Linton, JD, "Facing the Challenges of Service Automation: An enabler for E-Commerce and Productivity Gain in Traditional Services", IEE-transaktioner om Engineering Management, 54, nr 4, november 2003.
Linton, J., "Process Mapping and Design: En detaljerad processkarta kan hjälpa till att minska allt från cykeltid till defekter till processsteg", Circuits Assembly: The Journal for Surface Mount and Electronics Assembly, februari 2007
Verner, L., "The Challenge of Process Discovery", BPM Trends, maj 2004.
WMP van der Aalst , BF van Dongen, J. Herbst, L. Maruster, G. Schimm och AJMM Weijters. Workflow Mining: En undersökning av frågor och tillvägagångssätt. Data and Knowledge Engineering, 47(2):237-267, 2003.
WMP van der Aalst , AJMM Weijters och L. Maruster. Workflow Mining: Upptäcka processmodeller från händelseloggar. IEEE Transactions on Knowledge and Data Engineering, 16(9):1128-1142, 2004.
WMP van der Aalst , HA Reijers, AJMM Weijters, BF van Dongen, AK Alves de Medeiros, M. Song och HMW Verbeek. Business Process Mining: En industriell tillämpning. Information Systems, 32(5):713-732, 2007.
W. van der Aalst , T. Weijters och L. Maruster, "Workflow mining: discovering process models from event logs," i IEEE Transactions on Knowledge and Data Engineering, vol. 16, nr. 9, s. 1128-1142, sept. 2004, doi: 10.1109/TKDE.2004.47.