Process mining

Da Wikipedia, l'enciclopedia libera.

Il Process mining è una tecnica di process management, che permette l'analisi dei processi di business, basati sui log degli eventi. L'idea di base è quella di estrarre conoscenza a partire dalle registrazioni degli eventi effettuate da un sistema informativo. L'obiettivo del process mining, infatti, è di migliorare quest'ultimo, fornendo tecniche e strumenti per la scoperta di strutture di processi, di dati, di organizzazioni e strutture sociali a partire dai log.[1]

Idea generale[modifica | modifica wikitesto]

Le tecniche di process mining sono spesso usate quando non è disponibile, tramite altri mezzi, una descrizione del processo o quando la qualità di questa documentazione è discutibile.

I trend di management contemporanei, come BAM (Business Activity Monitoring), BOM (Business Operations Management), BPI (Business process intelligence), mostrano l'interesse nel supportare le funzionalità di diagnosi nel contesto delle tecnologie di Business Process Management (ad esempio, i Workflow Management System ma anche altri).

Classificazione[modifica | modifica wikitesto]

Ci sono tre classi principali di tecniche di process mining. Questa classificazione si basa sulla presenza o meno di un modello a priori e su come questo viene usato.

  • Scoperta: non c'è alcun modello a priori, ovvero, sulla base degli eventi registrati nel log si ricostruisce un modello. Ad esempio, usando l'algoritmo Alpha[2] è possibile ricostruire un modello di processo. Esistono molte tecniche per la costruzione automatica di modelli di processo (ad esempio in termini di Reti di Petri)[2][3][4][5][6]. Recentemente, la ricerca sul process mining ha iniziato ad esplorare altre prospettive, quali i dati, le risorse il tempo, etc. Ad esempio le tecniche descritte in (Aalst, Reijers, & Song, 2005)[7] possono essere utilizzate per costruire una rete sociale.
  • Conformance: è presente un modello a priori e questo modello è confrontato con un log di eventi e le discrepanze fra il log ed il modello sono analizzate. I controlli di conformance potrebbero essere usati per identificare discrepanze dal modello originale. Successivamente, è possibile utilizzare le classiche tecniche di data mining per monitorare quali dati sono quelli che più influenzano le scelte (ad esempio generando un albero di decisione per ogni scelta del processo).
  • Extension: è presente un modello a priori. Questo modello è esteso con un nuovo aspetto o prospettiva; l'obiettivo non è quello di controllare le discrepanze ma di arricchire il modello originario. Un esempio è l'estensioni di un modello con dati sulle performance.

Software per process mining[modifica | modifica wikitesto]

Un framework software per la valutazione degli algoritmi di process mining è stato sviluppato alla Technische Universiteit Eindhoven da Wil van der Aalst ed altri ed è disponibile come toolkit open source.

  • Process Mining[8]
  • Prom Framework[9]
  • Prom Import Framework[10]

Le funzionalità del process mining sono anche realizzate dai seguenti vendors commerciali:

  • Futura Reflect[11], un suite sviluppata da Futura Technology per il process mining e process intelligente
  • Interstage Automated Process Discovery,[12] un servizio di process mining offerto da Fujitsu, Ltd. come parte di Interstage Integration Middleware Suite.
  • QPR ProcessAnalyzer[13] offerto da QPR Software Plc[14]
  • Nitro[15] è un tool realizzato da Fluxicon[16] per convertire facilmente log di eventi in formato CSV o XLS in modo che possano essere utilizzati in ProM

Voci correlate[modifica | modifica wikitesto]

Note[modifica | modifica wikitesto]

  1. ^ Process mining all'Is.tm.tue.nl. Pagina acceduta il 23 settembre 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. ^ Process Mining
  9. ^ Prom Framework
  10. ^ Prom Import Framework
  11. ^ Futura Reflect
  12. ^ Interstage Automated Process Discovery
  13. ^ QPR ProcessAnalyzer
  14. ^ QPR Software Plc
  15. ^ Nitro
  16. ^ Fluxicon

Altre letture[modifica | modifica wikitesto]

  • 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.

Collegamenti esterni[modifica | modifica wikitesto]