Un Nuovo Approccio ai Controfattuali nell'Analisi dei Processi

Negli ultimi anni, il campo dell'analisi dei processi ha attirato attenzione per la sua capacità di prevedere i risultati dei processi aziendali. Questo di solito avviene utilizzando modelli avanzati che analizzano dati passati per prevedere eventi futuri. Tuttavia, questi modelli possono essere molto complessi e difficili da comprendere per molte persone.

Un modo interessante per ottenere informazioni da questi modelli complessi è attraverso quelli che si chiamano Controfattuali. I controfattuali ci aiutano a rispondere a domande come: "E se avessimo fatto qualcosa di diverso?" Ad esempio, se di solito inviamo email ai clienti, cosa succederebbe se li chiamassimo invece? Esplorando questi scenari "e se", le aziende possono prendere decisioni migliori e migliorare i loro processi.

Nonostante i vantaggi dei controfattuali, la maggior parte dei metodi esistenti per generarli spesso non considera come funziona realmente il processo aziendale. Questo può portare a controfattuali che non sono realistici o possibili. Alcuni metodi richiedono molta conoscenza sul processo specifico, il che può essere un ostacolo per molti utenti.

In questo lavoro, presentiamo un nuovo framework che utilizza un approccio evolutivo per creare sequenze controfattuali senza la necessità di una conoscenza dettagliata dei processi specifici. Il nostro metodo si concentra sull'apprendimento del comportamento dei processi, permettendoci di valutare se una sequenza controfattuale sia realistica o meno.

#Analisi Predittiva dei Processi

L'analisi predittiva dei processi è un'area in crescita che si concentra sulla previsione dei risultati futuri dei processi aziendali in corso. Di solito, queste previsioni vengono fatte utilizzando modelli di machine learning. Questi modelli vengono addestrati su dati storici, noti come log degli eventi, che registrano azioni precedenti e i loro risultati.

In vari settori, come quello sanitario, i Modelli Predittivi possono fornire informazioni preziose. Ad esempio, possono prevedere come potrebbe progredire la condizione di un paziente basandosi su casi passati. Tuttavia, mentre questi modelli sono potenti, spesso sono complicati, rendendo difficile per molti capire come vengono prese le decisioni. Questa mancanza di chiarezza è problematica, soprattutto in situazioni critiche in cui sapere perché è stata presa una decisione è fondamentale.

#Il Ruolo dei Controfattuali

I controfattuali aiutano ad affrontare il problema della comprensione delle previsioni fatte da modelli complessi. Permettono agli utenti di esplorare possibili risultati basati su cambiamenti ipotetici. Ad esempio, modificando una parte di un processo, come l'utilizzo di chiamate invece di email, si può vedere se questo porta a un risultato diverso.

Gli approcci attuali per generare controfattuali possono essere divisi in due categorie principali: metodi tradizionali e metodi consapevoli dei processi. I metodi tradizionali spesso lavorano con dati statici e possono trascurare il comportamento reale dei processi. Questo può portare a controfattuali che non sono fattibili. D'altro canto, i metodi consapevoli dei processi considerano come i processi dovrebbero funzionare idealmente, ma spesso richiedono conoscenze specifiche sui processi coinvolti.

#Il Nostro Approccio: CREATED

Proponiamo un nuovo framework chiamato CREATED, che sta per generazione di sequenze controfattuali con Algoritmi Evolutivi sui dati degli eventi. Questo approccio ci consente di creare controfattuali fattibili senza la necessità di una conoscenza approfondita di un processo specifico.

Il framework CREATED è composto da tre componenti principali:

1. Modello Predittivo: Questo è pre-addestrato per prevedere l'esito di un processo. Fornisce la base per comprendere la relazione tra le azioni intraprese e i loro risultati.

2. Modello Generativo: Questo utilizza algoritmi evolutivi per creare sequenze controfattuali. Il modello genera potenziali cambiamenti esplorando diverse variazioni del processo originale.

3. Misura di Fattibilità: Questa valuta i controfattuali generati per determinarne il realismo. Valuta fattori come quanto il controfattuale sia simile alla sequenza originale, se include cambiamenti significativi, se è fattibile e quanto altera il risultato della previsione.

Insieme, queste componenti ci permettono di generare controfattuali in modo efficace, assicurandoci che riflettano alterazioni realistiche del processo originale.

#Generazione di Controfattuali

Per creare controfattuali, ci affidiamo agli algoritmi evolutivi. Questi algoritmi simulano la selezione naturale, dove i migliori candidati vengono scelti per produrre prole. L'algoritmo inizia con una popolazione di possibili controfattuali, valuta la loro fattibilità e seleziona i migliori candidati per ulteriori sviluppi.

Il processo generativo comprende diversi passaggi:

• Inizializzazione: Iniziare con un insieme di potenziali controfattuali basati su dati reali.
• Valutazione: Valutare quanto bene questi controfattuali soddisfano i criteri definiti nella misura di fattibilità.
• Selezione: Scegliere i controfattuali più promettenti per ulteriori mutazioni e incroci.
• Incrocio: Combinare caratteristiche di diversi controfattuali per creare nuove variazioni.
• Mutazione: Introdurre piccoli cambiamenti per mantenere la diversità e prevenire la stagnazione.

Questo ciclo continua fino a raggiungere un numero soddisfacente di controfattuali fattibili.

#Valutazione della Fattibilità

La fattibilità di una sequenza controfattuale è fondamentale per la sua utilità. Misuriamo la fattibilità basandoci su diversi criteri:

• Somiglianza: Quanto il controfattuale assomiglia alla sequenza originale?
• Sparsità: Quanti cambiamenti sono stati fatti per creare il controfattuale? Meno cambiamenti possono indicare uno scenario più realistico.
• Fattibilità: Il controfattuale segue il comportamento noto del processo?
• Delta: Quanto cambia il controfattuale il risultato previsto rispetto all'originale?

Valutando i controfattuali secondo queste misure, possiamo determinare quali siano realistici e utili per il processo decisionale.

#Impostazione Sperimentale

Per testare l'efficacia del framework CREATED, lo abbiamo applicato a dieci log di eventi reali provenienti da vari processi aziendali. Gli esperimenti miravano a valutare la qualità dei controfattuali generati rispetto ai metodi di base esistenti.

#Esperimento 1: Selezione del Modello

Nel primo insieme di esperimenti, abbiamo testato diverse combinazioni delle componenti dell'algoritmo evolutivo. Volevamo identificare quali configurazioni producessero i migliori controfattuali. Ogni configurazione è stata eseguita per un numero stabilito di cicli per vedere come si sono evolute nel tempo.

#Esperimento 2: Confronto con i Baseline

Nel secondo esperimento, abbiamo confrontato i controfattuali prodotti dal framework CREATED con quelli generati dai metodi di base. Questo includeva generazione casuale, approcci basati su campioni e metodi basati su casi. Volevamo dimostrare che il nostro approccio evolutivo fornisce controfattuali più fattibili.

#Esperimento 3: Valutazione Qualitativa

La valutazione finale si è concentrata sulle implicazioni pratiche dei controfattuali. Volevamo mostrare come questi controfattuali potessero aiutare a comprendere le decisioni prese dal modello predittivo. Abbiamo analizzato casi in cui i controfattuali potevano rivelare informazioni importanti sul processo e sui suoi risultati.

#Risultati

Nella nostra valutazione, abbiamo trovato che il framework CREATED ha costantemente prodotto controfattuali più fattibili rispetto a quelli generati da metodi tradizionali e consapevoli dei processi. L'approccio evolutivo ha consentito maggiore flessibilità e adattamento, portando a scenari più realistici.

#Risultati dell'Esperimento 1

Gli esperimenti iniziali hanno mostrato che alcune configurazioni dell'algoritmo evolutivo hanno costantemente sovraperformato altre. Abbiamo identificato alcune configurazioni chiave che non solo producevano controfattuali di alta qualità, ma si adattavano bene nel tempo.

#Risultati dell'Esperimento 2

Quando confrontato con i modelli di base, il nostro approccio evolutivo ha mostrato miglioramenti significativi nella fattibilità. I risultati indicavano che i controfattuali generati da CREATED corrispondevano strettamente alle sequenze originali, introducendo cambiamenti realistici.

#Risultati dell'Esperimento 3

Nella valutazione qualitativa, abbiamo dimostrato che i controfattuali non solo fungevano da spiegazioni per le decisioni del modello predittivo, ma fornivano anche spunti utilizzabili. Modificando parti specifiche del processo, gli stakeholder potevano vedere chiaramente come i risultati potessero cambiare.

#Discussione

I nostri risultati evidenziano il potenziale dell'uso di algoritmi evolutivi per generare controfattuali nell'analisi dei processi aziendali. La possibilità di creare controfattuali fattibili senza la necessità di una conoscenza approfondita del settore è un vantaggio significativo.

#Implicazioni per il Futuro

Andando avanti, il nostro approccio può essere migliorato in diversi modi. Un'area di focus è il miglioramento della misura di fattibilità. Attualmente, può essere sensibile alle specifiche della lunghezza della traccia. Ulteriori ricerche potrebbero portare a metodi più robusti per valutare la fattibilità.

Inoltre, esplorare metodi per includere maggiore diversità tra i controfattuali generati aggiungerebbe valore. Anche se il nostro attuale focus è sull'ottimizzazione della fattibilità, comprendere come diversi controfattuali possano fornire spunti variati sarebbe utile.

#Conclusione

Il framework CREATED presenta un approccio innovativo per generare sequenze controfattuali nel contesto dell'analisi predittiva dei processi. Sfruttando gli algoritmi evolutivi, possiamo creare controfattuali fattibili senza la necessità di una conoscenza dettagliata dei processi, rendendolo accessibile a un pubblico più ampio.

I risultati delle valutazioni positive dimostrano l'efficacia del nostro metodo nel produrre controfattuali di alta qualità. Man mano che continuiamo a perfezionare ed espandere questo lavoro, il potenziale per un miglioramento del processo decisionale nei processi aziendali diventa sempre più chiaro.

Questo approccio non solo aiuta a comprendere modelli predittivi complessi, ma dà anche potere agli utenti di esplorare strategie alternative per ottenere risultati migliori. In sintesi, il futuro dell'analisi dei processi risiede nel sfruttare le capacità dei controfattuali, e il nostro framework è ben posizionato per guidare questa evoluzione.