Скрытая марковская модель: метод построения модели бизнес-процесса

Артем Ю. Варнухов

doi:10.17323/2587-814X.2024.3.41.55

Артем Ю. Варнухов Уральский государственный экономический университет, Екатеринбург, Россия

DOI: https://doi.org/10.17323/2587-814X.2024.3.41.55

Ключевые слова: бизнес-анализ, бизнес-процессы, классификация, информационные системы, интеллектуальный анализ процессов, скрытые марковские модели, предсказание, data-driven подход, журналы событий

Аннотация

Все больше компаний под воздействием стремительного развития технологий (концепция Индустрия 4.0/5.0) охватывают процессы цифровой трансформации. Внедрение информационных систем обеспечивает возможность накопления большого объема данных о деятельности компании. Исследование такой информации расширяет возможности применения data-driven подхода к управлению бизнес-процессами (business process management, BPM). Обработка и изучение данных из журналов событий с помощью методов интеллектуального анализа процессов позволяет строить цифровые модели бизнес-процессов, которые оказываются полезным источником сведений при проведении работ по анализу, моделированию и реинжинирингу в рамках процессного подхода. В настоящей работе разрабатывается метод построения модели бизнес-процесса на основе скрытой марковской модели с учетом ограничений, налагаемых предметной областью. Применение скрытой марковской модели позволяет использовать аппарат теории вероятностей и математической статистики для анализа бизнес-процессов, а также решать задачи классификации и кластеризации. В статье описываются возможности data-driven подхода к управлению бизнес-процессами и демонстрируются примеры практического применения метода для решения бизнес-задач: построение графа зависимостей, который может быть использован для выявления расхождений между фактическим и ожидаемым исполнением, а также способ предсказания исхода бизнес-процесса на основе последовательности наблюдаемых событий.

Скачивания

Данные скачивания пока не доступны.

Литература

Lizano-Mora H., Palos-Sánchez P.R., Aguayo-Camacho M. (2021) The evolution of business process management: A bibliometric analysis. IEEE Access, vol. 9, pp. 51088–51105. https://doi.org/10.1109/ACCESS.2021.3066340

Fetais A., Abdella G.M., Al-Khalifa K.N., Hamouda A.M. (2022) Business process re-engineering: A literature review-based analysis of implementation measures. Information, vol.13, no. 4, 185. https://doi.org/10.3390/info13040185

Rosemann M. (2006) Potential pitfalls of process modeling: part A. Business Process Management Journal, vol. 12, no. 2, pp. 249–254. https://doi.org/10.1108/14637150610657567

Nambiar A., Mundra D. (2022) An overview of data warehouse and data lake in modern enterprise data management. Big Data and Cognitive Computing, vol. 6, no. 4, 132. https://doi.org/10.3390/bdcc6040132

Pegoraro M., van der Aalst W.M.P. (2019). Mining uncertain event data in process mining. 2019 International Conference on Process Mining (ICPM), pp. 89–96. https://doi.org/10.1109/ICPM.2019.00023

Andrews R., van Dun C.G.J., Wynn M.T., Kratsch W., Röglinger M.K.E., ter Hofstede A.H.M. (2020) Quality-informed semi-automated event log generation for process mining. Decision Support Systems, vol. 132, 113265. https://doi.org/10.1016/j.dss.2020.113265

Park G., van der Aalst W.M.P. (2021) Realizing a digital twin of an organization using action-oriented process mining. 3rd International Conference on Process Mining (ICPM), pp. 104–111. https://doi.org/10.1109/ICPM53251.2021.9576846

Kratsch W., Manderscheid J., Röglinger M. et al. (2021) Machine learning in business process monitoring: A comparison of deep learning and classical approaches used for outcome prediction. Business & Information Systems Engineering, vol. 63, pp. 261–276. https://doi.org/10.1007/s12599-020-00645-0

Teinemaa I., Dumas M., Rosa M.L., Maggi F.M. (2019) Outcome-oriented predictive process monitoring: Review and benchmark. ACM Transactions on Knowledge Discovery from Data (TKDD), vol. 13, no. 2, pp. 1–57. https://doi.org/10.1145/3301300

Leno V., Polyvyanyy A., Dumas M., La Rosa M., Maggi F.M. (2021) Robotic process mining: vision and challenges. Business & Information Systems Engineering, vol. 63, pp. 301–314. https://doi.org/10.1007/s12599-020-00641-4

Munoz-Gama J., Martin N., Fernandez-Llatas C. et al. (2022) Process mining for healthcare: Characteristics and challenges. Journal of Biomedical Informatics, vol. 127, 103994. https://doi.org/10.1016/j.jbi.2022.103994

Grisold T., Mendling J., Otto M., vom Brocke J. (2021) Adoption, use and management of process mining in practice. Business Process Management Journal, vol. 27, no. 2, pp. 369–387. https://doi.org/10.1108/BPMJ-03-2020-0112

Mehdiyev N., Fettke P. (2021) Explainable artificial intelligence for process mining: A general overview and application of a novel local explanation approach for predictive process monitoring. Interpretable Artificial Intelligence: A Perspective of Granular Computing, Springer, pp. 1–28. https://doi.org/10.1007/978-3-030-64949-4_1

van der Aalst W.M.P., Weijters T., Maruster L. (2004) Workflow mining: Discovering process models from event logs. IEEE Transactions on Knowledge and Data Engineering, vol. 16, no. 9, pp. 1128–1142. https://doi.org/10.1109/TKDE.2004.47

Mannhardt F., de Leoni M., Reijers H.A. (2017) Heuristic mining revamped: an interactive, data-aware, and conformance-aware miner. 15th International Conference on Business Process Management (BPM 2017), pp. 1–5.

van der Aalst W.M.P., Adriansyah A., van Dongen B. (2011) Causal Nets: A modeling language tailored towards Process Discovery. International Conference on Concurrency Theory, pp. 28–42. https://doi.org/10.1007/978-3-642-23217-6_3

van Dongen B.F., Busi N., Pinna G.M., van der Aalst W.M.P. (2007) An iterative algorithm for applying the theory of regions in process mining. Proceedings of the Workshop on Formal Approaches to Business Processes and Web Services (FABPWS’07), pp. 36–55.

Bergenthum R., Desel J., Lorenz R., Mauser S. (2007) Process mining based on regions of languages. Business Process Management: 5th International Conference (BPM 2007), Brisbane, Australia, September 24–28, 2007, pp. 375–383. https://doi.org/10.1007/978-3-540-75183-0_27

Leemans S.J.J., Fahland D., van der Aalst W.M.P. (2013) Discovering block-structured process models from event logs: A constructive approach. Application and Theory of Petri Nets and Concurrency: 34th International Conference (PETRI NETS 2013), Milan, Italy, June 24–28, 2013, pp. 311–329. https://doi.org/10.1007/978-3-642-38697-8_17

Leemans S.J.J., Fahland D., van der Aalst W.M.P. (2015) Scalable process discovery with guarantees. Enterprise, Business-Process and Information Systems Modeling (BPMDS EMMSAD 2015). Lecture Notes in Business Information Processing, vol 214. Springer, Cham, pp. 85–101. https://doi.org/10.1007/978-3-319-19237-6_6

Pande S.D., Kanna R.K., Qureshi I. (2022) Natural language processing based on name entity with n-gram classifier machine learning process through ge-based hidden Markov model. Machine Learning Applications in Engineering Education and Management, vol. 2, no. 1, pp. 30–39.

Sagayam K.M., Hemanth D.J. (2019) A probabilistic model for state sequence analysis in hidden Markov model for hand gesture recognition. Computational Intelligence, vol. 35, no. 1, pp. 59–81. https://doi.org/10.1111/coin.12188

Srivastava R.K., Pandey D. (2022) Speech recognition using HMM and Soft Computing. Materials Today: Proceedings, vol. 51, pp. 1878–1883. https://doi.org/10.1016/j.matpr.2021.10.097

Du J., Wang C., Wang L. et al. (2023) Automatic block-wise genotype-phenotype association detection based on hidden Markov model. BMC Bioinformatics, vol. 24, article 138. https://doi.org/10.1186/s12859-023-05265-5

Rabiner L.R. (1990) A tutorial on hidden Markov models and selected applications in speech recognition. Proceedings of the IEEE, vol. 77, no. 2, pp. 257–286. https://doi.org/10.1109/5.18626