Process mining PV165 – Procesní řízení Vymezení oblasti Data mining Procesní analýza a modelování Process mining Příbuzné koncepty Business Activity Monitoring (BAM) Complex Event Processing (CEP) Corporate Performance Management (CPM) Business Intelligence Stejný cíl: Analýza procesů za účelem jejich vylepšení a tedy i celkového zvýšení provozního výkonu firmy 2 Task Force on Process Mining • Rostoucí zájem o dolování z procesů jak ze strany výzkumníků, tak ze strany průmyslu • Roku 2009 bylo založeno IEEE Task Force on Process Mining, shromažďující SW firmy (HP, IBM, Fujitsu…), konzultační společnosti (Deloitte, Gartner, Excellentia BPM…) i výzkumné instituce • Cíle: • Zvyšovat povědomí o state-of-the-art process miningu • Navrhovat nové techniky, nástroje a hledat nová uplatnění • Standardizovat log event data • Pořadat workshopy, konference… • Publikovat články, knihy… 3 Exponenciální růst dat • Digitalizace zasahuje do všech aspektů života (viz Moorův zákon) • Informační a kolaborační systémy • Senzory • Čtečky kódů • Čipové karty… • Automatizovaná analýza událostí • Klíčový objekt – event log • Každá aktivita / instance procesu je sekvencí záznamů o událostech, osobách, časech, atd. 4 Typy process miningu 1) Discovery Identifikace modelu bez předchozí znalosti 2) Conformance Porovnání existujícího modelu s tím, jak proces „reálně“ funguje 3) Enhancement Rozšíření nebo vylepšení existujícího modelu na základě dat z event logů 5 Typy process miningu BPM, UML, Petriho síť… Diagostické informace o porovnání mezi modelem a údaji z event logů Vylepšený model v dané notaci 6 Možné perspektivy process miningu • Perspektiva procesní - kontrolní toky (Jak?) • Organizační perspektiva (Kdo?) • Případová perspektiva (Co?) • Časová perspektiva 7 Možné perspektivy process miningu • Perspektiva procesní – aka perspektiva kontrolních toků (control- flows) • Detekce vazeb mezi jednotlivými aktivitami z event logů 8 Možné perspektivy process miningu • Organizační perspektiva • Validace organizační struktury • Detekce sociální sítě • Umožňuje např. vyhledávání osob podobným profilem práce 9 Možné perspektivy process miningu • Případová perspektiva • Zaměřuje se na konkrétní případy samotné • Obvykle je přínosná tehdy, když se v procesu děje něco „zajímavého“ • Může studovat např. konkrétní cestu v procesu • Studuje rozdílné vlastnosti případu v závislosti na klíčových proměnných • Jak se mění cesta při velikosti objednávky, výši fakturované částky • Jaký vliv mají zdroje a cíle práce (role zadavatele – původce instance) 10 Možné perspektivy process miningu • Časová perspektiva • Zaměřuje se na časování a frekvenci událostí • Vyžaduje timestamps u událostí • umožňuje např. • Identifikovat bottlenecky • predikovat časový rozvoj procesu • Detekovat kauzalitu/paralelnost událostí • Alfa algoritmus • “burstiness” 11 Event log v XML formátu Z hlediska process miningu je velmi důležité identifikovat, které aktivity spadají pod tutéž instanci procesu 12 Event log v XML formátu Povinné položky 13 Kvalita event logů * Špatná kvalita, záznamy mohou chybět nebo nemusí odpovídat realitě Ručně psané poznámky, papírová dokumentace ** Záznam je vedlejší produkt IS, sběr probíhá automaticky, nicméně chybí systematický přístup, je možné IS obejít, tudíž mohou záznamy chybět Strojové výpisy, tabulky, výstupy nebo chybové záznamy z (libovolných) systému *** Chybí systematický přístup. Oproti ** je záruka, že záznamy odpovídají realitě. Data je třeba skládat z více zdrojů. Tabulky, výstupy nebo dokumenty z ERP/CRM systémů, metadata z komunikačních kanálů **** Systematický a reliabilní přístup – data jsou kompletní a odpovídají realitě. Existuje explicitní podpora pro analýzu procesů a aktivit Logy z BPM nebo workflow systémů ***** Sběr je systematický, reliabilní a adresovány jsou i otázky zabezpečení. Záznamy a jejich atributy mají jasnou sémantiku Sémanticky anotované logy z BPM nebo workflow systémů 14 Výzvy a možnosti • Data: různé zdroje, nekompletní údaje, různé úrovně granularity, závislost událostí na kontextu • Změna: „concept drift“ – proces se mění zatímco jej analyzujeme (sezónní změny, změny na trhu…) • Kombinace s jinými typy analýz: např. modelování a simulace • Vylepšení použitelnosti a porozumění dat laikům: vizualizace, intuitivní rozhraní 15 Případová studie: zdravotnictví • Data byly použity z e-healthcare systému (cca 5000 případů – ošetření pacienta) • Kromě samotné analýzy dat byly provedeny také rozhovory s lékaři, řídícími lékaři, vrchními sestrami, atd. 16 17 Případová studie: zdravotnictví • Kromě standardních procesů se v datech objevilo i několik případů, kdy průchod pacienta „procesem“ byl nestandardní • Tyto nestandardní situace jsou možností pro zlepšení procesů a zvýšení kvality péče o pacienty 18 Případová studie: zdravotnictví Odhalení cyklu v procesu, u něhož se očekává lineární anebo větvící se struktura  Buďto chyba personálu anebo špatně nastavený proces 19 Případová studie: zdravotnictví Analýza odchylek může odhalit procesní chyby – např. 10 změn stavu u jednoho pacienta U většiny pacientů dojde 4x ke změně stavu (přijat, propuštěn, úroveň akutnosti (1…n)) 20 Případová studie: zdravotnictví Analýza časových sledů může odhalit situaci, kdy sekvence některých událostí jsou uloženy v systému v reálném čase – trvají řádově minuty nebo hodiny (pacient byl fyzicky přesunut z bodu A do B) a jiné jsou výsledkem administrativního úkonutrvají řádově sekundy (sestra uložila data do systému) Tyto události jsou patrně prováděny až ex-post, což může být prostor pro chybu 21