Discovery and Simulation of Business Process with Multiple Data Attributes and Conditions

Abstract

Äriprotsesside simulatsioon (APS) on organisatsioonide jaoks oluline vahend, mis võimaldab neil prognoosida tulemusi ja hinnata võimalike muutuste mõju oma protsessides. See võime toetab tõhusat otsuste tegemist, võimaldades stsenaariumide analüüsi. Traditsioonilised APS-mudelid põhinevad siiski piiratud arvul atribuutidel (aktiivsusnimed, ressursid ja ajatemplid), millel on tõenäosuslik otsuste tegemine, jättes kõrvale protsessist sõltuvad andmeatribuudid. Näiteks kiirabiasutustes või patsientide raviprotsessides võib tõenäosuslike otsuste tegemisel jääda vajaka olulistest üksikasjadest patsientide seisundite või olemasolevate ressursside kohta, mis võivad esile kutsuda kriitilisi küsimusi. Käesolev töö tutvustab Andmeteadlikku Simulatsioonimudelit (ASM) mudelit, mille eesmärk on kaasata dünaamilisi atribuute ja võimaldada andmeteadlikke otsuseid simulatsioonides. ASMi mudel käsitleb traditsiooniliste lähenemisviiside piiranguid, mis liigitavad atribuudid 3 tüübiks, juhtumiks, globaalseks ja sündmuseks, et hõlmata atribuutide erinevaid mõõtkavasid (kohalik või globaalne) ja käitumist (staatiline või dünaamiline). Need atribuudid pakuvad otsustuspunktides hargnemistingimusi, mis põhinevad praegusel andmete seisundil, et suunata protsessi täitmise voogu. Teine oluline aspekt selles uurimistöös on ASM mudeli avastamine sündmuste logidest. Lisades ASMi mudeli koos avastamisvahenditega, saavad organisatsioonid avastada oma simulatsioonimudeleid, sealhulgas andmete atribuutide perspektiivi ja hargnemistingimusi, mis mõjutavad sageli äriprotsesside teostusvoogu. Pärast avastamist võivad organisatsioonid mudelit simuleerida ning teha vajalikke kohandusi ja optimeerimisi, et kohandada mudeleid nii, et need kajastaksid muudatusi töökorras või uuriksid erinevaid "mis-kui-stsenaariume", säilitades seeläbi nende asjakohasuse ja tõhususe dünaamilises ärikeskkonnas. Hindamine näitab, et sündmuste logidest avastatud andmeteadlikud mudelid võivad täpselt liigitada andmeatribuudid, nende ajakohastamismehhanismid ja mõju hargnemistingimustesse. Need mudelid kopeerivad ka algse logi kontrollvoolu, suurendades samal ajal tsükli ja sündmuste aegu, erinevalt traditsioonilistest mitteandmetest teadlikest mudelitest, mis sõltuvad hargnevatest tõenäosustest.