Εξόρυξη διεργασιών

Από τη Βικιπαίδεια, την ελεύθερη εγκυκλοπαίδεια
Μετάβαση σε: πλοήγηση, αναζήτηση

Η εξόρυξη διεργασιών είναι μια τεχνική διαδικασίας μάνατζμεντ, που είναι χρήσιμη για την ανάλυση επιχειρηματικών διαδικασιών βασισμένες σε καταγραφή γεγονότων. Η βασική ιδέα είναι να εξορύξουμε γνώση από καταγεγραμμένα γεγονότα αποθηκευμένα από ένα σύστημα πληροφοριών. Η εξόρυξη διεργασιών στοχεύει στο να βελτιώνει αυτό το σύστημα πληροφοριών με παρεχόμενες τεχνικές και εργαλεία για να ανακαλύψει τη διαδικασία, τον έλεγχο, τα δεδομένα και τις κοινωνικές δομές από την καταγραφή γεγονότων.

Επισκόπηση[Επεξεργασία | επεξεργασία κώδικα]

Οι τεχνικές της εξόρυξης διεργασιών συχνά χρησιμοποιούνται όταν δεν υπάρχει καμιά επίσημη περιγραφή της διαδικασίας για το πώς μπορεί να αποκτηθεί με άλλους τρόπους, ή όταν η ποιότητα μιας υπαρκτής τεκμηρίωσης είναι αμφισβητήσιμη. Για παράδειγμα, οι οικονομικοί έλεγχοι ενός συστήματος ροής μάνατζμεντ, η διεξαγωγή καταγραφής ενός συστήματος σχεδιασμού επιχειρηματικών πόρων, και το ηλεκτρονικό σύστημα καταχώρησης ενός νοσοκομείου μπορεί να χρησιμοποιηθεί για να ανακαλύψει μοντέλα που να περιγράφουν διαδικασίες, οργανισμούς και προϊόντα. Ακόμη, αυτή η καταγραφή γεγονότων μπορεί να χρησιμοποιηθεί για να συγκρίνουμε καταγεγραμμένα γεγονότα με κάποιο προγενέστερο πρότυπο για να δούμε εάν η παρατηρούμενη πραγματικότητα συμμορφώνεται σε κάποιο κατευθυντήριο ή περιγραφικό μοντέλο.

Η σύγχρονη τάση του μάνατζμεντ όπως η ΒΑΜ (Business Activity Monitoring), ΒΟΜ (Business Operation Management), ΒΡΙ (Business Process intelligence), απεικονίζει το ενδιαφέρον στο να υποστηρίζουν τη λειτουργικότητα της διάγνωσης στο πλαίσιο της τεχνολογίας διοίκησης διεργασιών (π.χ. τα συστήματα ροής μάνατζμεντ αλλά και άλλες διαδικασίες πληροφοριακών συστημάτων).

Ταξινόμηση[Επεξεργασία | επεξεργασία κώδικα]

Υπάρχουν τρεις κατηγορίες τεχνικών εξόρυξης διαδικασίας. Η ταξινόμηση αυτή βασίζεται στο κατά πόσο υπάρχει ένα προγενέστερο μοντέλο και, αν ναι, πώς χρησιμοποιείται.

  • Ανακάλυψη: Δεν υπάρχει ένα προγενέστερο πρότυπο, δηλαδή, με βάση ένα συμβάν ημερολογίου κάποια μοντέλο είναι κατασκευασμένο. Για παράδειγμα, χρησιμοποιώντας τον αλγόριθμο άλφα, ένα μοντέλο διαδικασίας μπορεί να ανακαλυφθεί βασιζόμενο σε χαμηλού επιπέδου εκδηλώσεις. Υπάρχουν πολλές τεχνικές για να κατασκευάσουν αυτόματα μοντέλα διεργασίας (για παράδειγμα in terms of a Petri net), με βάση ορισμένες καταγραφές συμβάντων. Πρόσφατα, η ερευνητική διαδικασία εξόρυξης άρχισε επίσης να στοχεύει σε άλλες προοπτικές (π.χ. τα δεδομένα, τους πόρους, το χρόνο, κ.λπ.). Για παράδειγμα, η τεχνική που περιγράφεται στην (Aalst, Reijers, & song, 2005), μπορούν να χρησιμοποιηθούν για την κατασκευή ενός κοινωνικού δικτύου.
  • Συμμόρφωση: Υπάρχει ένα προγενέστερο μοντέλο. Αυτό το μοντέλο συσχετίζεται με το αρχείο καταγραφής συμβάντων και διαφορές μεταξύ του ημερολογίου και το μοντέλο αναλύονται. Για παράδειγμα, μπορεί να υπάρχει ένα μοντέλο της διαδικασίας που αναφέρεται ότι για εντολές αγοράς άνω του 1 εκατομμυρίου ευρώ, απαιτούνται δύο έλεγχοι. Ένα άλλο παράδειγμα είναι ο έλεγχος της λεγόμενης «four-eyes» αρχή. Συμμόρφωση εξέτασης μπορεί να χρησιμοποιηθεί για την ανίχνευση αποκλίσεων για να εμπλουτίσει το μοντέλο. Ένα παράδειγμα είναι η επέκταση του μοντέλου διαδικασίας με δεδομένα απόδοσης, δηλαδή, ένα προγενέστερο μοντέλο διαδικασίας που χρησιμοποιείται για την προβολή των σημείων συμφόρησης. Ένα άλλο παράδειγμα είναι ο ανθρακωρύχος που περιγράφονται στην απόφαση (Rozinat & Aalst, 2006β), η οποία παίρνει ένα πρότυπο διαδικασίας και αναλύει κάθε επιλογή στο μοντέλο διαδικασίας. Για κάθε επιλογή στο αρχείο καταγραφής συμβάντων είναι η γνώμη για να δείτε ποιες πληροφορίες είναι συνήθως διαθέσιμες τη στιγμή που η επιλογή γίνεται. Τότε κλασικές τεχνικές εξόρυξης δεδομένων χρησιμοποιούνται για να δείτε ποια στοιχεία των δεδομένων επηρεάζουν την επιλογή. Ως αποτέλεσμα, ένα δέντρο απόφαση παράγεται για κάθε επιλογή της διαδικασίας.
  • Επέκταση: Υπάρχει ένα μοντέλο των προτέρων. Το μοντέλο αυτό επεκτείνεται με μια νέα πτυχή ή προοπτικών, δηλαδή, ο στόχος δεν είναι να ελέγχει τη συμμόρφωση, αλλά για να εμπλουτίσουν το μοντέλο. Ένα παράδειγμα είναι η επέκταση του μοντέλου διαδικασίας με δεδομένα απόδοσης, δηλαδή, περίπου ένα μοντέλο διαδικασίας των προτέρων δυναμικά σχολιασμένη με δεδομένα απόδοσης (π.χ. οι δυσκολίες εμφανίζονται με χρώμα τμήματα του μοντέλου διαδικασίας).

Λογισμικό για την εξόρυξη διεργασιών[Επεξεργασία | επεξεργασία κώδικα]

Ένα πλαίσιο λογισμικού για την αξιολόγηση της διαδικασίας των αλγορίθμων εξόρυξης έχει αναπτυχθεί στο Eindhoven University of Technology από τον Wil van der Aalst και άλλους, και είναι διαθέσιμο ως πακέτο εργαλείων ανοικτού κώδικα.

  • Process Mining
  • ProM Framework
  • ProM Import Framework

Εξόρυξη διεργασιών λειτουργικότητα παρέχονται επίσης από τα ακόλουθα εμπορικά πωλητές:

  • Disco[1] is a complete process mining software by Fluxicon.[2]
  • Futura Reflect, a Process Mining and Process Intelligence suite developed by Futura Technology
  • Interstage Automated Process Discovery, a Process Mining service offered by Fujitsu, Ltd. as part of the Interstage Integration Middleware Suite.
  • BPM|one, offering both basic process mining functionality as well as a more comprehensive process mining module as part of the Pallas Athena BPM|one software suite.

Δείτε επίσης[Επεξεργασία | επεξεργασία κώδικα]

Αναφορές[Επεξεργασία | επεξεργασία κώδικα]

1. ^ Process mining at is.tm.tue.nl. Accessed sept 23, 2009. 2. ^ a b Aalst, W. van der, Weijters, A., & Maruster, L. (2004). Workflow Mining: Discovering Process Models from Event Logs. IEEE Transactions on Knowledge and Data Engineering, 16 (9), 1128-1142. 3. ^ Agrawal, R., Gunopulos, D., & Leymann, F. (1998). Mining Process Models from Workflow Logs. In Sixth international conference on extending database technology (pp. 469-483). 4. ^ Cook, J., & Wolf, A. (1998). Discovering Models of Software Processes from Event-Based Data. ACM Transactions on Software Engineering and Methodology, 7 (3), 215-249. 5. ^ Datta, A. (1998). Automating the Discovery of As-Is Business Process Models: Probabilistic and Algorithmic Approaches. Information Systems Research, 9 (3), 275-301. 6. ^ Weijters, A., & Aalst, W. van der (2003). Rediscovering Workflow Models from Event-Based Data using Little Thumb. Integrated Computer-Aided Engineering, 10 (2), 151-162. 7. ^ Aalst, W. van der, Beer, H., & Dongen, B. van (2005). Process Mining and Verification of Properties: An Approach based on Temporal Logic. In R. Meersman & Z. T. et al. (Eds.), On the Move to Meaningful Internet Systems 2005: CoopIS, DOA, and ODBASE: OTM Confederated International Conferences, CoopIS, DOA, and ODBASE 2005 (Vol. 3760, pp. 130-147). Springer-Verlag, Berlin. 8. ^ Rozinat, A., & Aalst, W. van der (2006a). Conformance Testing: Measuring the Fit and Appropriateness of Event Logs and Process Models. In C. Bussler et al. (Ed.), BPM 2005 Workshops (Workshop on Business Process Intelligence) (Vol. 3812, pp. 163-176). Springer-Verlag, Berlin. 9. ^ Process Mining 10. ^ Prom Framework 11. ^ Prom Import Framework 12. ^ Futura Reflect 13. ^ Interstage Automated Process Discovery 14. ^ Pallas Athena Process Analysis

Περαιτέρω ανάγνωση[Επεξεργασία | επεξεργασία κώδικα]

  • Aalst, W. van der, Dongen, B. van, Herbst, J., Maruster, L., Schimm, G., & Weijters, A. (2003). Workflow Mining: A Survey of Issues and Approaches. Data and Knowledge Engineering, 47 (2), 237-267.
  • Aalst, W. van der, Reijers, H., & Song, M. (2005). Discovering Social Networks from Event Logs. Computer Supported Cooperative work, 14 (6), 549-593.
  • Dongen, B. van, Medeiros, A., Verbeek, H., Weijters, A., & Aalst, W. van der (2005). The ProM framework: A New Era in Process Mining Tool Support. In G. Ciardo & P. Darondeau (Eds.), Application and Theory of Petri Nets 2005 (Vol. 3536, pp. 444-454). Springer-Verlag, Berlin.
  • Dumas, M., Aalst, W. van der, & Hofstede, A. ter (2005). Process-Aware Information Systems: Bridging People and Software through Process Technology. Wiley & Sons.
  • Grigori, D., Casati, F., Castellanos, M., Dayal, U., Sayal, M., & Shan, M. (2004). Business Process Intelligence. Computers in Industry, 53 (3), 321-343.
  • Grigori, D., Casati, F., Dayal, U., & Shan, M. (2001). Improving Business Process Quality through Exception Understanding, Prediction, and Prevention. In P. Apers, P. Atzeni, S. Ceri, S. Paraboschi, K. Ramamohanarao, & R. Snodgrass (Eds.), Proceedings of 27th international conference on Very Large Data Bases (VLDB’01) (pp. 159-168). Morgan Kaufmann.
  • IDS Scheer. (2002). ARIS Process Performance Manager (ARIS PPM): Measure, Analyze and Optimize Your Business Process Performance (whitepaper).
  • Ingvaldsen, J.E., & J.A. Gulla. (2006). Model Based Business Process Mining. Journal of Information Systems Management, Vol. 23, No. 1, Special Issue on Business Intelligence, Auerbach Publications
  • zur Muehlen, M. (2004). Workflow-based Process Controlling: Foundation, Design and Application of workflow-driven Process Information Systems. Logos, Berlin.
  • zur Muehlen, M., & Rosemann, M. (2000). Workflow-based Process Monitoring and Controlling - Technical and Organizational Issues. In R. Sprague (Ed.), Proceedings of the 33rd Hawaii international conference on system science (HICSS-33) (pp. 1-10). IEEE Computer Society Press, Los Alamitos, California.
  • Rozinat, A., & Aalst, W. van der (2006b). Decision Mining in ProM. In S. Dustdar, J. Faideiro, & A. Sheth (Eds.), International Conference on Business Process Management (BPM 2006) (Vol. 4102, pp. 420-425). Springer-Verlag, Berlin.
  • Sayal, M., Casati, F., Dayal, U., & Shan, M. (2002). Business Process Cockpit. In Proceedings of 28th international conference on very large data bases (VLDB’02) (pp. 880-883). Morgan Kaufmann.

Η παρούσα καταχώρηση έγινε στα πλαίσια του μαθήματος 'Διοίκηση Διεργασιών' στο τμήμα Μάρκετινγκ και Διοίκησης Λειτουργιών του Πανεπιστημίου Μακεδονίας Οικονομικών και Κοινωνικών Επιστημών

  1. Disco
  2. Fluxicon