Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2017. / Submitted by Raquel Viana (raquelviana@bce.unb.br) on 2018-07-23T18:08:38Z No. of bitstreams: 1 2017_VinníciusMatheusMadeiradeAndrade.pdf: 5183724 bytes, checksum: 92013bb0fc5142569048d5b8cebc2e62 (MD5) / Approved for entry into archive by Raquel Viana (raquelviana@bce.unb.br) on 2018-07-23T18:10:22Z (GMT) No. of bitstreams: 1 2017_VinníciusMatheusMadeiradeAndrade.pdf: 5183724 bytes, checksum: 92013bb0fc5142569048d5b8cebc2e62 (MD5) / Made available in DSpace on 2018-07-23T18:10:22Z (GMT). No. of bitstreams: 1 2017_VinníciusMatheusMadeiradeAndrade.pdf: 5183724 bytes, checksum: 92013bb0fc5142569048d5b8cebc2e62 (MD5) Previous issue date: 2018-07-23 / Tarefas de Gestão de Riscos e Gestão de Processos de Negócio em grandes organizações podem dispender grandes quantidades de recursos, pela necessidade de reunir partes interessadas para construção de conhecimento sobre os modelos de Processo e também por eventuais diferenças entre os comportamentos esperados e reais. Utilizando registros de execuções dessas instâncias, a Mineração de Processos representa ganho competitivo ao recuperar conhecimento sem a necessidade de formalização prévia dos Processos. Este Estudo de Caso apresenta uma metodologia de aplicação de Gestão de Riscos utilizando como ferramenta a Mineração de Processos para monitoramento e controle do tempo de execução de instâncias, através da definição de Classes de Risco de Impacto e a análise dos Tempos Médios de Espera e Serviço das Tarefas. / In large organizations, Risk Management and Business Process Management Tasks can spend large amounts of resources because they need to gather stakeholders to build knowledge about Process models and also for possible differences between expected and actual behaviors. Using execution records of these process instances, Process Mining represents a competitive gain in recovering knowledge without the need for prior formalization of the Processes. This Case Study presents application of a Risk Management methodology using as a tool the Process Mining, monitoring and controlling the execution time of instances through the definition of Impact Risk Classes and the analysis of the Average Waiting and Service Task Times.

Submitted by Luiz Felipe Barbosa (luiz.fbabreu2@ufpe.br) on 2015-03-12T13:51:39Z No. of bitstreams: 2 Dissertaçao Raphael Jose D'Castro.pdf: 3419625 bytes, checksum: bc95cbbe40fd85831a5b15cf012a58d8 (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) / Approved for entry into archive by Daniella Sodre (daniella.sodre@ufpe.br) on 2015-03-13T12:55:08Z (GMT) No. of bitstreams: 2 Dissertaçao Raphael Jose D'Castro.pdf: 3419625 bytes, checksum: bc95cbbe40fd85831a5b15cf012a58d8 (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) / Made available in DSpace on 2015-03-13T12:55:09Z (GMT). No. of bitstreams: 2 Dissertaçao Raphael Jose D'Castro.pdf: 3419625 bytes, checksum: bc95cbbe40fd85831a5b15cf012a58d8 (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Previous issue date: 2013-08-26 / Um grande desafio para a engenharia de software é entregar um produto com qualidade, no prazo acordado, a custos aceitáveis. Neste contexto, a gestão de risco é essencial para evitar ou minimizar os problemas durante a execução do projeto de software. Diversas abordagens foram propostas para o gerenciamento de riscos em projeto de software, mas esta ainda é uma atividade negligenciada nas organizações que desenvolvem software. Um fator que contribui para este cenário é a escassez de critérios para mensurar a incerteza, o que torna a gestão de riscos na engenharia de software uma atividade abstrata e subjetiva. Visando oferecer uma alternativa a essa situação, propomos um framework para monitoramento em tempo de execução de riscos operacionais no desenvolvimento de software. Esse framework utiliza mineração de processos e mineração de dados para extrair indicadores de desempenho e qualidade a partir dos logs das ferramentas de gestão de configuração de software. Esses indicadores são utilizados para monitorar, em tempo real, condições indesejadas no desenvolvimento de software. Para verificar sua viabilidade, conduzimos um estudo, aplicando o framework proposto em um ambiente real de desenvolvimento de software.

O processo de tratamento de incidentes é o mais adotado pelas empresas, porém, ainda carece de técnicas que possam gerar estimativas assertivas para o tempo de conclusão. Este trabalho atua no estudo de um processo real, por meio de um procedimento de mineração de processos, capaz de descobrir o modelo do processo sob a forma de um sistema de transição anotado e propõe meios automatizados de escolha dos atributos que o descrevam adequadamente, de modo a gerar estimativas realistas sobre o tempo necessário para sua conclusão. A estratégia resultante da aplicação de técnicas de seleção de atributos - filtro e invólucro - é capaz de propiciar a geração de sistemas de transição anotados mais precisos e com algum grau de generalização. A solução apresentada neste trabalho representa uma melhoria na mineração de processos, no contexto específico da criação de sistemas de transição anotados e no seu uso como um gerador de estatísticas para o processo nele modelado / The incident management process is the most widely adopted by companies. However, still lacks techniques that can generate precise estimates for the completion time. This work performs a study in a real incident management process, by means of process mining, able to find out the real process model in the form of annotated transition system and propose automated means for selecting attributes that describe it accordingly, in order to generate realistic estimates of the time to conclusion. The resulting strategy of application feature selection techniques - filter and wrapper - is able to provide generation of more accurate annotated transition systems with some degree of generalization. The solution presented in this paper represents an improvement in process mining on the specific context of creation annotated transition system and its use as a statistics generator for the whole modeled process

O processo de tratamento de incidentes é o mais adotado pelas empresas, porém, ainda carece de técnicas que possam gerar estimativas assertivas para o tempo de conclusão. Este trabalho atua no estudo de um processo real, por meio de um procedimento de mineração de processos, capaz de descobrir o modelo do processo sob a forma de um sistema de transição anotado e propõe meios automatizados de escolha dos atributos que o descrevam adequadamente, de modo a gerar estimativas realistas sobre o tempo necessário para sua conclusão. A estratégia resultante da aplicação de técnicas de seleção de atributos - filtro e invólucro - é capaz de propiciar a geração de sistemas de transição anotados mais precisos e com algum grau de generalização. A solução apresentada neste trabalho representa uma melhoria na mineração de processos, no contexto específico da criação de sistemas de transição anotados e no seu uso como um gerador de estatísticas para o processo nele modelado / The incident management process is the most widely adopted by companies. However, still lacks techniques that can generate precise estimates for the completion time. This work performs a study in a real incident management process, by means of process mining, able to find out the real process model in the form of annotated transition system and propose automated means for selecting attributes that describe it accordingly, in order to generate realistic estimates of the time to conclusion. The resulting strategy of application feature selection techniques - filter and wrapper - is able to provide generation of more accurate annotated transition systems with some degree of generalization. The solution presented in this paper represents an improvement in process mining on the specific context of creation annotated transition system and its use as a statistics generator for the whole modeled process

Submitted by Jessica Andrade (jessicastefanysa@gmail.com) on 2018-06-25T18:21:40Z No. of bitstreams: 1 THALES.pdf: 4975032 bytes, checksum: cba8edebb4cead2492a1b616ef85e60f (MD5) / Rejected by Margareth Ferreira Pinto (margarethfpinto@hotmail.com), reason: Falta título em inglês.Palavra errada na citação. Nº de folhas erradas, (ver ficha catalográfica). on 2018-06-26T14:22:31Z (GMT) / Submitted by Jessica Andrade (jessicastefanysa@gmail.com) on 2018-06-28T17:17:31Z No. of bitstreams: 1 THALES.pdf: 4975032 bytes, checksum: cba8edebb4cead2492a1b616ef85e60f (MD5) / Approved for entry into archive by Margareth Ferreira Pinto (margarethfpinto@hotmail.com) on 2018-07-16T21:13:28Z (GMT) No. of bitstreams: 1 THALES.pdf: 4975032 bytes, checksum: cba8edebb4cead2492a1b616ef85e60f (MD5) / Made available in DSpace on 2018-07-16T21:13:28Z (GMT). No. of bitstreams: 1 THALES.pdf: 4975032 bytes, checksum: cba8edebb4cead2492a1b616ef85e60f (MD5) Previous issue date: 2016 / Ha muito se trata da necessidade de melhoramento na competitividade dos estaleiros da industria brasileira de construção naval em relação a concorrentes no ambito da industria internacional. Em grande parte, a baixa eficiência verificada neste setor da industria se da pela baixa priorização do emprego tecnologico para metodologias automatizadas para controle e diagnostico de processos de construção, por exemplo. Neste contexto, a mineração de processos vem sendo consolidada como soluções para descoberta de modelos, analise de conformidade e melhoramento de processos. Contudo, estas atividades nao são triviais, tendo como principal problematica a qualidade dos dados contidos nos logs de eventos. Este trabalho propoe uma metodologia para melhoramento de qualidade em logs de eventos originalmente caracterizados pela baixa granularidade das atividades nos aspectos quantitativos e temporal atraves do emprego de distribuições de probabilidades com a implementação de um novo software capaz de sintetizar um novo log de eventos, entao livre de tais problematicas de qualidade. Foi realizado um estudo de caso em estaleiro da industria brasileira, onde foram possibilitados experimentos de descoberta de modelos de processos com algoritmos livres e proprietarios, bem como a utilização de uma ferramenta de animação para detecção de gargalos no processo. Estes testes foram realizados com base no log de eventos original, provido pelo estaleiro e tambem sobre o log de eventos sintetico, gerado pelo software de simulação, para fins de validação da abordagem. Os resultados mostraram sucesso ao revelar a fragmentação oculta das atividades, possibilitando a descoberta de modelos fidedignos e abrindo precedente a trabalhos futuros. / The need for improvement in the competitiveness on the Brazilian shipbuilding in- dustry’s shipyards, in relation to its competitors from abroad, is not a novice issue. The low efficiency that can be verified in this section of the national industry is greatly caused by the low prioritization of technological usage in automated methodologies for control- ling and diagnosing the aseembly process, for example. In that context, process mining has been consolidated as the solution for discovering models, conformance analysis and enhancement of business processes. However, such activities are far from trivial oftenly facing log event data quality issues. This work proposes a novice methodology for the improvement of data quality in event logs that are originaly described as ungranular in the quantitative and temporal aspects, by using probability distributions with a new soft- ware implementation that is capable of synthesising a new event log, which is then free of such quality problematics. A case study has been performed in a shipyard from whithin the Brazilian industry, where various process discovery experiments have been executed with both free and proprietary algorithms. Also, a process model animation tool has been applied for bottleneck detection purposes. Such experiments were conducted based on he original event log that was provided by the shipyard’s administration office and also on the event log that has been generated by the simulation software, for validating the pre- sented approach. The results showed success in revealing the hidden fragmentation in the activities, enabling the discovery of trustworthy process models and opening precedents for future work.

Mineração de processos é uma área de pesquisa relativamente recente que se situa entre mineração de dados e aprendizado de máquina, de um lado, e modelagem e análise de processos de negócio, de outro lado. Mineração de processos visa descobrir, monitorar e aprimorar processos de negócio reais por meio da extração de conhecimento a partir de logs de eventos disponíveis em sistemas de informação orientados a processos. O principal objetivo deste trabalho foi avaliar o contexto de aplicação de técnicas provenientes das áreas de inteligência computacional e de aprendizado de máquina, incluindo redes neurais artificiais. Para fins de simplificação, denominadas no restante deste texto apenas como ``redes neurais\'\'. e máquinas de vetores de suporte, no contexto de mineração de processos. Considerando que essas técnicas são, atualmente, as mais aplicadas em tarefas de mineração de dados, seria esperado que elas também estivessem sendo majoritariamente aplicadas em mineração de processos, o que não tinha sido demonstrado na literatura recente e foi confirmado por este trabalho. Buscou-se compreender o amplo cenário envolvido na área de mineração de processos, incluindo as principais caraterísticas que têm sido encontradas ao longo dos últimos dez anos em termos de: tipos de mineração de processos, tarefas de mineração de dados usadas, e técnicas usadas para resolver tais tarefas. O principal enfoque do trabalho foi identificar se as técnicas de inteligência computacional e de aprendizado de máquina realmente não estavam sendo amplamente usadas em mineração de processos, ao mesmo tempo que se buscou identificar os principais motivos para esse fenômeno. Isso foi realizado por meio de um estudo geral da área, que seguiu rigor científico e sistemático, seguido pela validação das lições aprendidas por meio de um exemplo de aplicação. Este estudo considera vários enfoques para delimitar a área: por um lado, as abordagens, técnicas, tarefas de mineração e ferramentas comumente mais usadas; e, por outro lado, veículos de publicação, universidades e pesquisadores interessados no desenvolvimento da área. Os resultados apresentam que 81% das publicações atuais seguem as abordagens tradicionais em mineração de dados. O tipo de mineração de processos com mais estudo é Descoberta 71% dos estudos primários. Os resultados deste trabalho são valiosos para profissionais e pesquisadores envolvidos no tema, e representam um grande aporte para a área / Mining process is a relatively new research area that lies between data mining and machine learning, on one hand, and business process modeling and analysis, on the other hand. Mining process aims at discovering, monitoring and improving business processes by extracting real knowledge from event logs available in process-oriented information systems. The main objective of this master\'s project was to assess the application of computational intelligence and machine learning techniques, including, for example, neural networks and support vector machines, in process mining. Since these techniques are currently widely applied in data mining tasks, it would be expected that they were also widely applied to the process mining context, which has been not evidenced in recent literature and confirmed by this work. We sought to understand the broad scenario involved in the process mining area, including the main features that have been found over the last ten years in terms of: types of process mining, data mining tasks used, and techniques applied to solving such tasks. The main focus of the study was to identify whether the computational intelligence and machine learning techniques were indeed not being widely used in process mining whereas we sought to identify the main reasons for this phenomenon. This was accomplished through a general study area, which followed scientific and systematic rigor, followed by validation of the lessons learned through an application example. This study considers various approaches to delimit the area: on the one hand, approaches, techniques, mining tasks and more commonly used tools; and, on the other hand, the publication vehicles, universities and researchers interested in the development area. The results show that 81% of current publications follow traditional approaches to data mining. The type of mining processes more study is Discovery 71% of the primary studies. These results are valuable for practitioners and researchers involved in the issue, and represent a major contribution to the area

Mineração de processos é um novo campo de pesquisa que liga mineração de dados e gestão de processos de negócio. A mineração de processos segue a premissa de que existe um processo desconhecido em um determinado contexto, e que ao analisar os traços do seu comportamento, com o auxílio da mineração de dados, é possível descobrir o modelo do processo. No entanto, processos de negócio realistas são difíceis de minerar por causa do excesso de comportamento registrado nos logs. Esses processos não estruturados, apesar de complexos, possuem um potencial grande para melhoria, sendo que as abordagens atuais de mineração de processos para esse contexto ainda provém pouco suporte à gestão. Este trabalho de pesquisa de mestrado visou aplicar técnicas computacionais evolutivas na mineração de modelos de processo, usando algoritmos genéticos para descobrir automaticamente modelos de processos não estruturados visando dar suporte à gestão organizacional de processos. Uma revisão da literatura foi realizada para auxiliar a proposição de uma nova abordagem focada na descoberta de modelos de processos não estruturados. A abordagem proposta introduz novas fórmulas de cálculo das métricas de completude e precisão baseadas nas informações de transições entre atividades, reorganizadas por meio de uma estrutura de matriz criada neste trabalho. A abordagem introduz também o uso de operadores genéticos e estratégias de fluxo evolutivo ainda não implementados na literatura relativa a algoritmos genéticos na descoberta de processos. Análises da parametrização da abordagem proposta, bem como os modelos de processos resultantes, indicam que a abordagem é eficaz na mineração de modelos de processos melhores a partir de amostras de um log não estruturado / Process mining is a new field of research that links data mining and business process management. Process mining follows the premise that there is an unknown process in a given context, and by analyzing the traces of its behavior, with the help of data mining, the process model can be discovered. However, realistic business processes are difficult to mine because of excessive behavior recorded in the logs. These unstructured processes, despite being complex, hold great potential for improvement, and the current process mining approaches for that context yet provide little support for management. This masters research project aims to apply evolutionary computational techniques in process mining, using genetic algorithms to automatically discover unstructured process models in order to support process management in organizations. A literature review was carried out to support the proposition of a new approach focused on the discovery of unstructured process models. The proposed approach introduces new formulas for calculating completeness and precision metrics, based on the information of transitions between activities that are reorganized through a matrix structure created in this work. The approach also introduces the use of genetic operators and evolutionary flow strategies not yet implemented in the literature regarding genetic algorithms in process discovery. Analyzes of the parameterization of the proposed approach, as well as the resulting process models, indicate that the approach is effective in mining better process models from samples of a unstructured log

Submitted by Luciana Ferreira (lucgeral@gmail.com) on 2017-07-19T11:05:26Z No. of bitstreams: 2 Dissertação - Gilmar Teixeira Junior - 2017.pdf: 6982787 bytes, checksum: c52c456e0cb8184f1f7144d862bff726 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Approved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2017-07-19T11:05:52Z (GMT) No. of bitstreams: 2 Dissertação - Gilmar Teixeira Junior - 2017.pdf: 6982787 bytes, checksum: c52c456e0cb8184f1f7144d862bff726 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Made available in DSpace on 2017-07-19T11:05:52Z (GMT). No. of bitstreams: 2 Dissertação - Gilmar Teixeira Junior - 2017.pdf: 6982787 bytes, checksum: c52c456e0cb8184f1f7144d862bff726 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Previous issue date: 2017-05-03 / Storing information in large data repositories (Big Data) creates opportunities for Organizations to use Process Mining techniques to extract knowledge about the performance and actual flow of their processes of business. One of the fundamental elements for achieving this objective is the relationship between process modeling languages, process event logging (logs) and Process Mining algorithms. In this work, comparisons were made between three languages (BPMN, Petri Nets and YAWL) which are usually used to model business processes with respect to their capabilities of use in Process Mining, especially in Process Discovery. The models created were based on typical Workflow patterns and five scenarios were simulated for each language using three Process Discovery algorithms (Alpha, Heuristic Miner and ILP Miner). The results indicate that the choice of the language used in the modeling and in recording of the business processes influences the quality of the results obtained by the Process Discovery algorithms. This work also presents suggestions for the development of process modeling languages and process mining algorithms. / O armazenamento das informações em grandes repositórios de dados (Big Data) geram oportunidades para que as Organizações utilizem técnicas de Mineração de Processos (Process Mining) para extrair conhecimento sobre o desempenho e o fluxo real de seus processos de negócio. Um dos elementos fundamentais para que este objetivo seja alcançado está na relação entre as linguagens de modelagem de processos, o registro dos eventos de processo (logs) e os algoritmos de Mineração de Processos. Neste trabalho, foram realizadas comparações entre três linguagens (BPMN, Redes de Petri e YAWL) normalmente utilizadas para modelar processos de negócio com respeito a suas capacidades de utilização na Mineração de Processos, em especial, na Descoberta de Processos. Os modelos criados foram baseados em padrões típicos de Workflow e cinco cenários foram simulados para cada linguagem utilizando três algoritmos de Descoberta de Processos (Alpha, Heuristic Miner e ILP Miner). Os resultados indicam que a escolha da linguagem utilizada na modelagem e no registro dos processos de negócio influencia na qualidade dos resultados obtidos pelos algoritmos de Descoberta de Processos. O trabalho também apresenta sugestões para o desenvolvimento das linguagens de modelagem de processos e dos algoritmos de Mineração de Processos.

Submitted by Luciana Ferreira (lucgeral@gmail.com) on 2017-07-24T11:15:23Z No. of bitstreams: 2 Dissertação - Caio Appelt Rezende - 2017.pdf: 1362955 bytes, checksum: b87d99aa29bcdf87d151fb1d32bb57ee (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Approved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2017-07-24T11:15:36Z (GMT) No. of bitstreams: 2 Dissertação - Caio Appelt Rezende - 2017.pdf: 1362955 bytes, checksum: b87d99aa29bcdf87d151fb1d32bb57ee (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Made available in DSpace on 2017-07-24T11:15:36Z (GMT). No. of bitstreams: 2 Dissertação - Caio Appelt Rezende - 2017.pdf: 1362955 bytes, checksum: b87d99aa29bcdf87d151fb1d32bb57ee (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Previous issue date: 2017-05-03 / Process Mining is a recent area of research and is composed of techniques that allow the analysis and extraction of knowledge from the logs of the business processes obtained from Management Information Systems (MIS). The analyzes can be classified into three types: Process Discovery, Conformance Check and Process Improvement. With the current growth not only of quantity, but also of the types of algorithms that seek to fulfill the objectives of Process Mining, a classification that takes into account the performance of the algorithm in the various real situations of its application becomes important. The Evaluation and Comparison of the algorithms from the repository data could be done through the application of Quality Metrics or Machine Learning Techniques. This work presents a proposal of a set of Quality Metrics to allow the classification, evaluation and comparison of Process Discovery algorithms. The proposal is based on the review of algorithms and their families; the possible performance characteristics, that can be applied to any type of algorithm being tested; and in simulations of business process patterns. The results obtained by the work are promising in the sense of creating the conceptual basis and a methodology for future research to allow the construction of a framework for Evaluation and Comparison of new algorithms. / A Mineração de Processos (Process Mining) é uma área de pesquisa recente e é composta por técnicas que permitem a análise e a extração de conhecimento a partir dos registros de eventos (logs) dos processos de negócios obtidos de Sistemas de Informação Gerenciais (SIG). As análises podem ser classificadas em três tipos: Descoberta de Processos, Checagem da Conformidade e Melhoria de Processos. Com o atual crescimento não apenas da quantidade, mas também dos tipos de algoritmos que procuram cumprir os objetivos da Mineração de Processos, uma classificação que leve em consideração a performance do algoritmo nas diversas situações reais de sua aplicação se torna importante. A Avaliação e a Comparação dos algoritmos a partir dos dados do repositório poderiam ser feitas através da aplicação de Métricas de Qualidade ou Técnicas de Aprendizado de Máquina. Este trabalho apresenta uma proposta de um conjunto de Métricas de Qualidade que tem como objetivo permitir a classificação, avaliação e comparação de algoritmos de Descoberta de Processos. A proposta foi construída com base na revisão dos algoritmos e suas famílias; no levantamento das possíveis características de performance, que podem ser aplicadas a qualquer tipo de algoritmo sendo testado; e em simulações de registros de eventos de padrões de processos de negócio. Os resultados obtidos pelo trabalho são promissores no sentido de criar a base conceitual e uma metodologia para que futuras pesquisas permitam a construção de um arcabouço (framework) de Avaliação e Comparação de novos algoritmos.

Mineração de processos é um novo campo de pesquisa que liga mineração de dados e gestão de processos de negócio. A mineração de processos segue a premissa de que existe um processo desconhecido em um determinado contexto, e que ao analisar os traços do seu comportamento, com o auxílio da mineração de dados, é possível descobrir o modelo do processo. No entanto, processos de negócio realistas são difíceis de minerar por causa do excesso de comportamento registrado nos logs. Esses processos não estruturados, apesar de complexos, possuem um potencial grande para melhoria, sendo que as abordagens atuais de mineração de processos para esse contexto ainda provém pouco suporte à gestão. Este trabalho de pesquisa de mestrado visou aplicar técnicas computacionais evolutivas na mineração de modelos de processo, usando algoritmos genéticos para descobrir automaticamente modelos de processos não estruturados visando dar suporte à gestão organizacional de processos. Uma revisão da literatura foi realizada para auxiliar a proposição de uma nova abordagem focada na descoberta de modelos de processos não estruturados. A abordagem proposta introduz novas fórmulas de cálculo das métricas de completude e precisão baseadas nas informações de transições entre atividades, reorganizadas por meio de uma estrutura de matriz criada neste trabalho. A abordagem introduz também o uso de operadores genéticos e estratégias de fluxo evolutivo ainda não implementados na literatura relativa a algoritmos genéticos na descoberta de processos. Análises da parametrização da abordagem proposta, bem como os modelos de processos resultantes, indicam que a abordagem é eficaz na mineração de modelos de processos melhores a partir de amostras de um log não estruturado / Process mining is a new field of research that links data mining and business process management. Process mining follows the premise that there is an unknown process in a given context, and by analyzing the traces of its behavior, with the help of data mining, the process model can be discovered. However, realistic business processes are difficult to mine because of excessive behavior recorded in the logs. These unstructured processes, despite being complex, hold great potential for improvement, and the current process mining approaches for that context yet provide little support for management. This masters research project aims to apply evolutionary computational techniques in process mining, using genetic algorithms to automatically discover unstructured process models in order to support process management in organizations. A literature review was carried out to support the proposition of a new approach focused on the discovery of unstructured process models. The proposed approach introduces new formulas for calculating completeness and precision metrics, based on the information of transitions between activities that are reorganized through a matrix structure created in this work. The approach also introduces the use of genetic operators and evolutionary flow strategies not yet implemented in the literature regarding genetic algorithms in process discovery. Analyzes of the parameterization of the proposed approach, as well as the resulting process models, indicate that the approach is effective in mining better process models from samples of a unstructured log