Verslo procesų prognozavimo ir imitavimo taikant sisteminių įvykių žurnalų analizės metodus tyrimas

Abstract

Verslo procesų (VP) analizės rezultatai leidžia organizacijoms patobulinti verslo procesus bei įgauti konkurencinį pranašumą. VP modeliavimas ir imitavimas yra vieni plačiausiai taikomų VP analizės metodų. Analizės metodų įvestis – modeliai, sukurti taikant plačiai taikomas VP modeliavimo kalbas, matematinius modelius, imitacinius modelius ir kt. Modelių kūrimas yra ne tik svarbiausias, tačiau ir brangiausias bei ilgiausiai trunkantis analizės žingsnis. Šiais laikais didžioji dalis įmonėse naudojamų duomenų yra skaitmeniniai ir jų pakartotinis panaudojimas gali pagreitinti analizę bei pagerinti jos rezultatus. Šios disertacijos tikslas yra patobulinti verslo procesų analizę ir imitaciją pasiūlant metodą, skirtą iš įvykių žurnalo išgauti verslo procesų modelį ir automatizuotai sukurti imitacinį modelį. Disertaciją sudaro įvadas, trys skyriai bei bendrosios išvados. Pirmajame skyriuje analizuojami VP analizės metodai. Pirmoji skyriaus dalis skirta apžvelgti procesų gavybos sritį ir išanalizuoti metodus, įgalinančius VP analizę, t. y. skirtus automatizuotai išgauti VP modelius ar juos įvertinti bei prognozuoti procesų vykdymą. Antroje skyriaus dalyje pristatomi VP imitacijos srities analizės rezultatai: nustatyti duomenys, reikalingi VP imitacijos atlikimui, bei nustatyti VP imitacijos metodai ir jų taikymo problemos. Antrajame disertacijos skyriuje pristatomas naujas metodas, kuris automatizuotai iš įvykių žurnalo išgauna Bajeso tikimybinį modelį ir sukuria VP imitacinį modelį. Bajeso tikimybinio modelio išgavimas susideda iš trijų žingsnių: kryptinio beciklio grafo išgavimo, tikimybinių lentelių išgavimo bei išgautų elementų sujungimo. VP imitacinis modelis yra sukuriamas naudojant išgautą beciklį kryptinį grafą. Imitacijos metu naudojamas tikimybinis modelis VP egzemplioriaus vykdymo prognozei bei veiklų duomenų kūrimui imitacijos vykdymo metu. Trečiajame disertacijos skyriuje pristatomi metodo eksperimentiniai tyrimai bei vertinamas tyrimų rezultatų tikslumas. Eksperimentuose naudojami žurnalai, kuriuose yra tiek sudėtingų, tiek ir paprastų verslo procesų istoriniai vykdymo duomenys. Atlikti eksperimentai vertina grafų išgavimo tikslumą, vykdomų VP egzempliorių tikimybes, VP egzempliorių vykdymo prognozavimo tikslumą bei imitacijos tikslumą. Disertacijos rezultatai buvo publikuoti 9 mokslinėse publikacijos, iš kurių 2 publikacijos publikuotos žurnaluose, indeksuojamuose Clarivate Analytics Scien-tific Citation Index duomenų bazėje.

Business process (BP) analysis is one of the core activities in organisations that lead to improvements and achievement of a competitive edge. BP modelling and simulation are one of the most widely applied methods for analysing and improving BPs. The analysis requires to model BP and to apply analysis techniques to the models to answer queries leading to improvements. The input of the analysis process is BP models. The models can be in the form of BP models using industry-accepted BP modelling languages, mathematical models, simulation models and others. The model creation is the most important part of the BP analysis, and it is both time-consuming and costly activity. Nowadays most of the data generated in the organisations are electronic. Therefore, the re-use of such data can improve the results of the analysis. Thus, the main goal of the thesis is to improve BP analysis and simulation by proposing a method to discover a BP model from an event log and automate simulation model generation. The dissertation consists of an introduction, three main chapters and general conclusions. The first chapter discusses BP analysis methods. In addition, the pro-cess mining research area is presented, the techniques for automated model discovery, model validation and execution prediction are analysed. The second part of the chapter investigates the area of BP simulation. The second chapter of the dissertation presents a novel method which automatically discovers Bayesian Belief Network from an event log and, furthermore, automatically generates BP simulation model. The discovery of the Bayesian Belief Network consists of three steps: the discovery of a directed acyclic graph, generation of conditional probability tables and their combination. The BP simulation model is generated from the discovered directed acyclic graph and uses the belief network inferences during the simulation to infer the execution of the BP and to generate activity data during the simulation. The third chapter presents the experimental research of the proposed network and discusses the validity of the research and experiments. The experiments use selected logs that exhibit a wide array of behaviour. The experiments are performed in order to test the discovery of the graphs, the inference of the current process instance execution probability, the prediction of the future execution of the process instances and the correctness of the simulation. The results of the dissertation were published in 9 scientific publications, 2 of which were in reviewed scientific journals indexed in Clarivate Analytics Science Citation Index.