Simplifying complex business process models through abstraction and Facilitating their reusability through business process model matching

Οι επιχειρησιακές διαδικασίες αποτελούν μια σημαντική πηγή γνώσης, ειδικά για οργανισμούς που οργανώνονται με τρόπο προσανατολισμένο στις διαδικασίες. Τα μοντέλα επιχειρησιακών διαδικασιών και η σχετική τεκμηρίωση, που είναι ένας τρόπος περιγραφής των οργανωτικών δραστηριοτήτων, μπορούν να αποτελέσουν ένα μέσο αποτελεσματικότερης λειτουργίας και κερδοφορίας για τις επιχειρήσεις. Ως εκ τούτου, οι επιχειρησιακές διαδικασίες μπορούν να θεωρηθούν ως μέρος των οργανωτικών περιουσιακών στοιχείων ενός οργανισμού, τα οποία μπορούν να αξιοποιηθούν και να ενισχύσουν περαιτέρω τη βιωσιμότητα και την κερδοφορία του. Η έρευνα που παρουσιάζεται σε αυτή τη διατριβή επικεντρώνεται στην παροχή μεθοδολογιών που βοηθούν στην εκμετάλλευση αυτών των περιουσιακών στοιχείων, όπως περιγράφεται παρακάτω.Πολύ συχνά, τα μοντέλα επιχειρησιακών διαδικασιών περιέχουν πολλές σημαντικές πληροφορίες, ειδικά όταν πρόκειται για μοντέλα που απεικονίζουν ήδη αυτοματοποιημένες διαδικασίες ή διαδικασίες που θα αυτοματοποιηθούν. Αυτή η μεγάλη ποσότητα πληροφοριών αναστέλλει τη γρήγορη κατανόηση και χρήση τους, ειδικά από ανθρώπους σε υψηλότερα επίπεδα της οργανωτικής ιεραρχίας, όπως στελέχη επιχειρήσεων, διευθυντές και γενικοί διευθυντές, που δεν ενδιαφέρονται για ασήμαντες λεπτομέρειες αλλά πρέπει να επικεντρωθούν στα σημαντικά σημεία της επιχειρησιακής διαδικασίας, για να λάβουν αποφάσεις. Έτσι, μεγάλα και πολύπλοκα μοντέλα επιχειρησιακών διαδικασιών δημιουργούν την ανάγκη για απλοποιημένες εκδόσεις μοντέλων, οι οποίες, ωστόσο, διατηρούν σημαντικές πληροφορίες, όπως μεταξύ άλλων της επικοινωνίας μεταξύ των διαφόρων επιχειρηματικών τομέων που απεικονίζονται σε αυτά τα μοντέλα, και συνεπώς ενισχύουν τη χρηστικότητα των αρχικών μοντέλων. Επομένως, είναι επιτακτική ανάγκη να δημιουργηθούν προσεγγίσεις ικανές να παρέχουν απλουστευμένες μορφές των μοντέλων επιχειρησιακών διαδικασιών που θα βοηθούν στη γρήγορη κατανόησή τους αντί να δημιουργούνται νέα απλούστερα μοντέλα για την ίδια αναλυτική διαδικασία.Επιπλέον, δεδομένου ότι οι πληροφορίες που συλλέγονται σε υπάρχουσες λεπτομερείς επιχειρησιακές διαδικασίες αποτελούν σημαντικό οργανωτικό περιουσιακό στοιχείο, καθίσταται επιτακτική η επαναχρησιμοποίηση τους, ειδικά λαμβάνοντας υπόψη ότι, οι επιχειρήσεις ενδέχεται να αντιμετωπίσουν παρόμοια σενάρια μοντελοποίησης, εντός και μεταξύ, των επιχειρησιακών περιοχών τους. Εκτός αυτού, έχει αποδειχτεί ότι η μοντελοποίηση επιχειρησιακών διαδικασιών σύγχρονων επιχειρήσεων από το μηδέν είναι δύσκολη, χρονοβόρα, επιρρεπής σε σφάλματα και απαιτεί εκτεταμένες προσπάθειες και πόρους για την παραγωγή ποιοτικών μοντέλων. Επομένως, απαιτούνται προσεγγίσεις που επιτρέπουν την επαναχρησιμοποίηση υπαρχόντων μοντέλων επιχειρησιακών διαδικασιών και διευκολύνουν τις προσπάθειες μοντελοποίησης.Αυτή η διατριβή προτείνει νέες λύσεις για την αντιμετώπιση των προαναφερθεισών προκλήσεων, δηλαδή της απλούστευσης και της επαναχρησιμοποίησης μοντέλων επιχειρησιακών διαδικασιών. Συγκεκριμένα, εισάγει ένα πλαίσιο για τη μετατροπή σύνθετων και μεγάλων μοντέλων σε απλούστερα και μικρότερα, προκειμένου να βελτιωθεί η κατανόηση και η επαναχρησιμοποίηση τους. Αυτά τα απλοποιημένα μοντέλα συμπληρώνουν τα αναλυτικά μοντέλα διαδικασίας. Προς το σκοπό αυτό, προτείνεται μια μεθοδολογία βασισμένη σε κανόνες που επεκτείνεται πέραν της αφαίρεσης των δραστηριοτήτων, εστιάζοντας στα χαρακτηριστικά των συστατικών των μοντέλων και τις συσχετίσεις τους. Αυτή η προσέγγιση εφαρμόζεται αυτόματα σε ολόκληρο το μοντέλο μιας επιχειρησιακής διαδικασίας με αποτελεσματικό και αποδοτικό τρόπο, το οποίο επιβεβαιώνεται από τα αποτελέσματα των πειραματικών μετρήσεων.Επιπλέον, η παρούσα διατριβή προτείνει μια μεθοδολογία αντιστοίχισης μοντέλων διαδικασιών που αυξάνει τη χρηστικότητα των ήδη απλουστευμένων μοντέλων διαδικασίας, ενώ διευκολύνει τις προσπάθειες μοντελοποίησης διαδικασιών. Αυτή η προσέγγιση διασφαλίζει την ποιότητα των αποτελεσμάτων αντιστοίχισης, ενσωματώνοντας πολλές μετρικές ομοιότητας. Επίσης, μπορεί να εφαρμοστεί σε μεγάλα μοντέλα διαδικασιών επεκτείνοντας τον αλγόριθμο Α*. Ειδικά, προτείνει την εκμετάλλευση των ιδιοτήτων των στοιχείων του μοντέλου διαδικασίας σε μια προσπάθεια μείωσης του χώρου αντιστοίχισης, ο οποίος είναι ιδιαίτερα χρήσιμος σε περιπτώσεις που αντιστοιχίζονται μεγάλα μοντέλα διαδικασιών. Η αποτελεσματικότητα και εφαρμογή της προτεινόμενης μεθοδολογίας αποδεικνύεται μέσω πειραματικής αξιολόγησης.

Discovering generative models from event logs: data-driven simulation vs deep learning

A generative model is a statistical model capable of generating new data instances from previously observed ones. In the context of business processes, a generative model creates new execution traces from a set of historical traces, also known as an event log. Two types of generative business process models have been developed in previous work: data-driven simulation models and deep learning models. Until now, these two approaches have evolved independently, and their relative performance has not been studied. This paper fills this gap by empirically comparing a data-driven simulation approach with multiple deep learning approaches for building generative business process models. The study sheds light on the relative strengths of these two approaches and raises the prospect of developing hybrid approaches that combine these strengths.

Optimization-Based Business Process Model Matching

The rapid increase in generation of business process models in the industry has raised the demand on the development of process model matching approaches. In this paper, we introduce a novel optimization-based business process model matching approach which can flexibly incorporate both the behavioral and label information of processes for the identification of correspondences between activities. Given two business process models, we achieve our goal by defining an integer linear program which maximizes the label similarities among process activities and the behavioral similarity between the process models. Our approach enables the user to determine the importance of the local label-based similarities and the global behavioral similarity of the models by offering the utilization of a predefined weighting parameter, allowing for flexibility. Moreover, extensive experimental evaluation performed on three real-world datasets points out the high accuracy of our proposal, outperforming the state of the art.