Nouvelle méthode pour les modèles de processus basés sur le temps
Une approche axée sur le temps révèle des perspectives plus claires sur les processus d'affaires.
― 9 min lire
Table des matières
La découverte automatique de processus nous aide à comprendre comment fonctionnent les processus métiers, en particulier leurs performances. Un aspect essentiel de cela est la mesure des Temps d'attente. Cependant, les méthodes actuelles créent surtout des graphiques montrant comment les événements se suivent, mais ne montrent pas clairement comment le temps affecte ces événements. Cet article propose une façon de créer des modèles de processus qui montrent clairement le timing en plus de la séquence des événements.
Aperçu de l'extraction de processus
Les techniques d'extraction de processus visent à révéler comment les processus fonctionnent en analysant les événements enregistrés. Ces informations peuvent aider les organisations à identifier des problèmes comme des Retards ou des étapes inutiles, réduisant ainsi les coûts. De nombreux algorithmes ont été développés pour créer automatiquement des modèles de processus. Ces modèles sont souvent évalués en fonction de leur précision, exactitude, et leur capacité à rappeler des événements pertinents.
Malgré le développement de ces algorithmes, peu de méthodes se concentrent sur le lien direct entre la séquence des événements et le temps. Au lieu de cela, la plupart des techniques existantes se concentrent sur l'ordre des événements et ignorent combien de temps prend chaque étape. Il existe quelques exceptions, comme des outils visuels qui soulignent les longs délais, mais ils n'intègrent toujours pas le temps avec les modèles de processus générés automatiquement.
Le besoin d'une approche basée sur le temps
Comprendre les temps d'attente peut illuminer les problèmes potentiels dans un processus. L'attente peut entraîner du gaspillage de ressources, des coûts élevés et des clients insatisfaits. Malgré cela, de nombreux algorithmes d'extraction de processus négligent la durée réelle des activités. Certaines méthodes visualisent des lignes de temps mais ne les connectent pas aux modèles de processus créés par des algorithmes d'extraction.
Cet article vise à combler cette lacune en créant des modèles de processus qui montrent explicitement les relations temporelles. La méthode proposée se concentre sur l'alignement des séquences d'événements avec une chronologie, permettant d'avoir une vue plus claire de la façon dont le temps impacte divers processus.
Méthodologie
L'article décrit une approche spécifique pour générer automatiquement des modèles de processus qui incluent un axe temporel. Cette méthode se concentre principalement sur les graphiques de suivi direct (DFG) mais peut également s'appliquer à d'autres types de structures graphiques.
Préparation des données : Le processus commence par organiser les Données d'événements selon les ID de cas et les horodatages. Cela aide à s'assurer que chaque cas est correctement analysé.
Calcul des temps relatifs : Pour chaque cas, la première activité est désignée comme point de départ. Le temps moyen pour chaque activité est ensuite calculé sur la base des horodatages des événements.
Disposition et construction du graphique : Après avoir calculé les temps relatifs moyens, le modèle de processus est créé et disposé le long d'une chronologie. Le graphique est structuré de façon à ce que les activités soient placées en fonction de leur timing relatif, facilitant la visualisation de l'ensemble du processus.
Représentation visuelle
Le modèle de processus basé sur la chronologie générée offre un aperçu de la structure et du timing des processus métiers. En ajoutant une chronologie, le modèle aligne visuellement les activités en fonction de leur occurrence, rendant plus facile de comprendre le flux des événements et d'identifier des goulets d'étranglement ou des retards.
Chronologies dans l'analyse visuelle
Importance desLes visualisations basées sur des chronologies sont des outils essentiels pour analyser les séquences d'événements dans le temps. Elles permettent aux utilisateurs de voir les occurrences d'événements les uns par rapport aux autres, donnant du contexte aux données. Cette section discute de divers types de visualisations de chronologie et de leur pertinence dans l'analyse des séquences d'événements.
Visualisation de chronologie fixe : Les événements sont disposés chronologiquement, chaque événement étant marqué sur la chronologie. Cela utilise souvent des symboles ou des formes pour représenter différents types d'activités.
Visualisation de durée : Ce type étend la représentation des événements dans le temps, indiquant combien de temps chaque événement dure. Par exemple, des barres sur une chronologie peuvent montrer combien de temps prennent les activités.
Visualisation convergente-divergente : Cette méthode utilise des lignes sur une chronologie pour montrer comment les événements se rapportent les uns aux autres. Des faisceaux de lignes peuvent indiquer quand plusieurs événements se produisent ensemble ou commencent à diverger.
Visualisation de l'évolution : Cette méthode condense les informations sur les événements en graphiques qui cartographient le développement des données dans le temps. Elle aide à analyser comment les événements, les comportements ou les opinions évoluent.
Techniques combinées : Des solutions hybrides peuvent combiner plusieurs caractéristiques des types ci-dessus pour donner une perspective plus riche sur les données.
Application des techniques de chronologie à l'extraction de processus
Dans le contexte de l'extraction de processus, peu de méthodes intègrent des chronologies dans leurs modèles. Certains travaux existants utilisent des visualisations de chronologie fixe pour aligner les traces d'événements, mais elles manquent souvent de la profondeur d'analyse nécessaire pour obtenir des insights à partir de l'axe temporel.
Visualisation de chronologie fixe : Cette technique visualise les événements mais ne communique pas combien de temps prennent les activités. Elle organise les événements selon leurs horodatages mais ne tient pas compte des métriques de performance.
Utilisation de graphiques de Gantt : Ces graphiques ont été appliqués à l'extraction de processus pour montrer des problèmes liés au temps mais négligent souvent les processus sous-jacents qui créent ces problèmes.
Graphiques linéaires d'évolution : Similaires aux graphiques de Gantt, ces outils visualisent les intervalles d'événements mais manquent souvent de montrer comment le temps affecte les processus eux-mêmes.
Objectif de recherche
Étant donné le manque de méthodes reliant des chronologies aux modèles d'extraction de processus, l'objectif est clair : développer une approche pour construire automatiquement des modèles de processus qui reflètent le timing en plus de l'ordre des séquences. Cette nouvelle approche vise à fournir une compréhension plus précise et intuitive des flux de processus.
Approche de découverte basée sur la chronologie
Le processus de découverte basé sur la chronologie implique la transformation des journaux d'événements pour montrer le timing relatif et l'augmentation des visualisations DFG traditionnelles avec un axe temporel.
Temps de début de cas : Définir le point de départ de chaque cas. C'est le temps enregistré le plus ancien pour n'importe quel événement dans ce cas.
Horodatages relatifs : Calculer le temps auquel chaque événement se produit par rapport au temps de début du cas. Cela permet d'avoir une image plus claire de quand chaque activité a lieu.
Initialisation du graphique : Mettre en place la structure du graphique pour représenter l'agencement spatial des activités le long de la chronologie.
Génération de labels et de nœuds : Créer des étiquettes lisibles par les humains pour chaque horodatage et les relier aux activités correspondantes. Des nœuds sont ensuite générés pour chaque point temporel le long de la chronologie.
Génération des longueurs des arêtes : Définir les connexions entre les nœuds en fonction de leurs relations temporelles.
Mapping des activités : Mapper les activités du DFG aux nœuds correspondants sur la chronologie, montrant comment les événements s'alignent avec leur timing.
Alignement vertical : Disposer les activités verticalement pour refléter leur timing sur la chronologie, facilitant une vue plus claire du flux des événements.
Mise en œuvre prototype
Une mise en œuvre de cette approche a été réalisée en utilisant une bibliothèque d'extraction de processus populaire. Le programme suit des étapes prédéterminées pour générer un graphique basé sur une chronologie visualisant les données.
Évaluation de l'approche
Pour évaluer l'efficacité de l'approche basée sur la chronologie, des comparaisons ont été faites entre les dispositions DFG standard et les nouvelles dispositions basées sur la chronologie.
BPI Challenge 2012 : Le premier jeu de données a montré que seules quelques activités de la disposition standard correspondaient à la représentation basée sur la chronologie. La chronologie a clairement indiqué les activités de début et de fin du processus, offrant une vue plus logique du flux de contrôle.
BPI Challenge 2017 : Dans ce jeu de données, l'approche basée sur la chronologie a mis en évidence différentes phases du processus qui n'étaient pas visibles dans la disposition standard. La chronologie a révélé la durée moyenne des activités en fonction de leurs résultats.
Processus de vente propriétaire : Ici, le graphique basé sur la chronologie a réussi à représenter les différentes phases impliquées dans la conversion de pistes en opportunités. La représentation visuelle a fourni des informations précieuses sur les étapes critiques du processus de vente.
Conclusion
L'intégration des chronologies dans l'extraction de processus offre une nouvelle perspective sur l'analyse des séquences d'événements. En alignant les activités avec un axe temporel, la nouvelle approche fournit une visualisation plus claire de la performance des processus. Cela aide les analystes à identifier des retards potentiels, des goulets d'étranglement et des variations dans l'exécution des processus.
Des recherches supplémentaires sont nécessaires pour affiner cette méthodologie, explorer d'autres applications et améliorer son utilité dans les outils d'extraction de processus. Cette approche basée sur la chronologie prépare le terrain pour des insights plus profonds et une analyse de processus plus efficace.
Titre: Timeline-based Process Discovery
Résumé: A key concern of automatic process discovery is to provide insights into performance aspects of business processes. Waiting times are of particular importance in this context. For that reason, it is surprising that current techniques for automatic process discovery generate directly-follows graphs and comparable process models, but often miss the opportunity to explicitly represent the time axis. In this paper, we present an approach for automatically constructing process models that explicitly align with a time axis. We exemplify our approach for directly-follows graphs. Our evaluation using two BPIC datasets and a proprietary dataset highlight the benefits of this representation in comparison to standard layout techniques.
Auteurs: Harleen Kaur, Jan Mendling, Christoffer Rubensson, Timotheus Kampik
Dernière mise à jour: 2023-12-21 00:00:00
Langue: English
Source URL: https://arxiv.org/abs/2401.04114
Source PDF: https://arxiv.org/pdf/2401.04114
Licence: https://creativecommons.org/licenses/by/4.0/
Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.
Merci à arxiv pour l'utilisation de son interopérabilité en libre accès.
Liens de référence
- https://github.com/Har-leen-kaur/pm4py-timeline-axis
- https://github.com/Har-leen-kaur/pm4py-timeline-axis/blob/release/6_timeline_axis_dfg.ipynb
- https://github.com/Har-leen-kaur/pm4py-timeline-axis/blob/release/6
- https://graphviz.org/
- https://doi.org/10.4121/uuid:3926db30-f712-4394-aebc-75976070e91f
- https://doi.org/10.4121/uuid:5f3067df-f10b-45da-b98b-86ae4c7a310b
- https://www.win.tue.nl/bpi/2012/challenge.html
- https://www.win.tue.nl/bpi/2017/challenge.html
- https://doi.org/10.1016/j.is.2012.02.004
- https://arxiv.org/abs/1905.06169