[pt] As técnicas de mineração de processos vêm sendo aplicadas com sucesso
como abordagens baseadas em dados e específicas do domínio para
melhorar o desempenho do processo de negócios em várias organizações.
Dentre suas aplicações, a Mineração de Desvios (Deviance Mining) visa
descobrir as razões pelas quais um subconjunto das execuções de um
processo de negócio desvia-se em relação aos seus resultados esperados
ou desejáveis, produzindo assim insights para melhorar a operação do
processo, tais descobertas podem ser feitas utilizando técnicas de
aprendizado de tratamentos (Treatment Learning), que identificam os
conjuntos de atributos mais influentes nos resultados. No entanto, apesar
de os processos da vida real serem tipicamente compostos por eventos de
duração não instantânea (eventos não atômicos), as abordagens existentes
para mineração de processos, e para mineração de desvios em particular,
endereçam exclusivamente eventos atômicos em seus experimentos. Este
trabalho propõe um método orientado ao domínio para detectar
automaticamente desvios em processos compostos por eventos não
atômicos. O método utiliza a dimensão temporal dos eventos não
atômicos para aplicar a mineração de desvios, gerando insights sobre
como a duração e a ocorrência simultânea de eventos geram desvios e
como esses desvios impactam os resultados dos processos. O método foi
aplicado com sucesso no domínio da COVID-19, para descobrir quais
sequências de intervenções não farmacêuticas mais contribuíram para
diminuir a taxa de casos de COVID-19 em países ao redor do mundo. / [en] Process Mining techniques have been successfully applied as a datadriven and domain-aware approach for improving business process
performance in several organizations. Among its applications, Deviance
Mining aims at uncovering the reasons why a subset of the executions of
a business process deviate with respect to its expected or desirable
outcomes, thus producing insights towards improving the process
operation, such discoveries can be made using treatment learning
techniques, which identify the sets of attributes that are most influential
in the results. However, despite the fact that real-life processes are
typically composed by events with non-instantaneous duration (nonatomic events), existing approaches for process mining and deviance
mining in particular only deal with atomic events in their experiments.
This work proposes a domain-driven method for automatically detecting
deviations in processes composed by non-atomic events. The method
uses the temporal dimension of non-atomic events to apply deviance
mining, generating insights on how the duration and the simultaneous
occurrence of events generate deviations and how these deviations affect
the results of the processes. The method was successfully applied in the
COVID-19 domain, to find which domain-specific sequences of nonpharmaceutical interventions mostly contributed to slowing down the rate
of COVID-19 cases in countries around the world.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:60847 |
| Date | 17 October 2022 |
| Creators | LUCAS SEIXAS JAZBIK |
| Contributors | FERNANDA ARAUJO BAIAO AMORIM, FERNANDA ARAUJO BAIAO AMORIM |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | English |
| Detected Language | English |
| Type | TEXTO |
Page generated in 0.0026 seconds