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
| Identifer | oai:union.ndltd.org:IBICT/oai:teses.usp.br:tde-02072018-215453 |
| Date | 13 March 2018 |
| Creators | Gabriel Lucas Cantanhede da Silva |
| Contributors | Marcelo Fantinato, Sarajane Marques Peres, Leonardo Guerreiro Azevedo, Maria Aparecida Gouvea, Ariane Machado-Lima |
| Publisher | Universidade de São Paulo, Sistemas de Informação, USP, BR |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Source | reponame:Biblioteca Digital de Teses e Dissertações da USP, instname:Universidade de São Paulo, instacron:USP |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0031 seconds