Diese Präsentation wurde erfolgreich gemeldet.
Die SlideShare-Präsentation wird heruntergeladen. ×

Analítica de datos e inteligencia artificial para procesos de negocios

Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige

Hier ansehen

1 von 82 Anzeige
Anzeige

Weitere Verwandte Inhalte

Ähnlich wie Analítica de datos e inteligencia artificial para procesos de negocios (20)

Weitere von Marlon Dumas (20)

Anzeige

Aktuellste (20)

Analítica de datos e inteligencia artificial para procesos de negocios

  1. 1. Marlon Dumas University of Tartu, Estonia Analítica de datos e inteligencia artificial para procesos de negocios Curso Abierto, Universidad de Los Andes 10-11 de Julio del 2019
  2. 2. Process discovery Process identification Process analysis Process implementation Process monitoring Process redesign Process architecture As-is process model Insights on weaknesses and their impact To-be process model Executable process model Conformance and performance insights Ciclo de Vida de BPM y Monitoreo de Procesos Define Vision Develop Strategy Implement Strategy Manage Personnel Manage Assets Management Processes Core Processes Support Processes Manage Risk Manage Information Procure Materials Procure Products Market Products Deliver Products Manage Customer Service Examples for BPM lifecycle and process mining C 1.5h B 15h D E 2h C DA B E A 3m 35h 30h 15m 10m 10min 5m5m 10m30m
  3. 3. Monitoreo de Procesos 3 Tableros e Informes (BAM, BI) Minería de procesos e inteligencia operacional Base de datos Sistema Empresarial (CRM, ERP, SCM, etc.) Registro de eventos Stream de eventos
  4. 4. Minería de Procesos 4 / Registro de eventos Modelo generado Descubrimiento Automático de procesos Verificación de Conformidad Análisis de Variantes Diagnóstico de diferencias Minería de rendimiento Modelo de proceso “hecho a la mano” Modelo enriquecido Registro de eventos
  5. 5. Formatos de registros de eventos: • Comma-Separated Values (CSV) Estructura de un registro de eventos
  6. 6. Descubrimiento automático de procesos 6 IDCaso Actividad Estampilla Temporal … 13219 Someter solicitud préstamo 2007-11-09 T 11:20:10 - 13219 Encontrar datos del solicitante 2007-11-09 T 11:22:15 - 13220 Someter solicitud préstamo 2007-11-09 T 11:22:40 - 13219 Calcular interés y cuotas 2007-11-09 T 11:22:45 - 13219Notificar elegibilidad 2007-11-09 T 11:23:00 - 13219 Aprobar solicitud sencialla 2007-11-09 T 11:24:30 - 13220 Calcular interés y cuotas 2007-11-09 T 11:24:35 - … … … … Mapa de proceso Modelo BPMN Enter Loan Application Retrieve Applicant Data Compute Installments Approve Simple Application Approve Complex Application Notify Rejection Notify Eligibility
  7. 7. Mapas de proceso • Grafo en el cual • Un nodo representa una actividad • Existe un arco de A a B si A es inmediatamente seguido por B por la menos una vez en el registro de eventos • Los arcos pueden ser anotados por • Frecuencia • Tiempo 7
  8. 8. Mapa de proceso – ejemplo Event log 5: a,b,c,g,e,h 4: a,b,c,f,g,h 3: a,b,d,g,e,h 3: a,b,d,e,g,h a b c g e h 5 5 5 5 5
  9. 9. Mapa de proceso – ejemplo Event log 5: a,b,c,g,e,h 4: a,b,c,f,g,h 3: a,b,d,g,e,h 3: a,b,d,e,g,h a b c g e h 5 5 5 5 5 + 4 + 4 f 4 4 4
  10. 10. Mapa de proceso – ejemplo Event log 5: a,b,c,g,e,h 4: a,b,c,f,g,h 3: a,b,d,g,e,h 3: a,b,d,e,g,h a b c g e h 5 5 5 5 5 + 4 + 4 f 4 4 + 3 d 3 + 3 + 3 3 4
  11. 11. Mapa de proceso – ejemplo Event log 5: a,b,c,g,e,h 4: a,b,c,f,g,h 3: a,b,d,g,e,h 3: a,b,d,e,g,h a b c g e h 5 5 5 5 5 + 4 + 4 f 4 4 4 + 3 d 3 3 + 3 + 3 3 3 + 3 + 3 + 3
  12. 12. Mapa de pMapa de proceso – ejemplo roceso – ejercicio Event log 5: a,b,c,g,e,h 4: a,b,c,f,g,h 3: a,b,d,g,e,h 3: a,b,d,e,g,h a b c g e h 15 9 5 8 8 f 4 4 7 d 6 3 3 3
  13. 13. Mapa de proceso – ejercicio • Crear un mapa de procesos a partir de las siguientes trazas • abc • abd • abe
  14. 14. Mapa de proceso, ejercicio ID caso Actividad Recurso Estampilla ID caso Actividad Recurso Estampilla 1 Crear Multa Anne 20-07-2004 14:00:00 3 Recordatorio John 21-08-2004 10:00:00 2 Crear Multa Anne 20-07-2004 15:00:00 2 Process Payment system 22-08-2004 09:05:00 1 Enviar Factura system 20-07-2004 15:05:00 2 Cerrar Caso system 22-08-2004 09:06:00 2 Enviar Factura system 20-07-2004 15:07:00 4 Recordatorio John 22-08-2004 15:10:00 3 Crear Multa Anne 21-07-2004 10:00:00 4 Recordatorio Mary 22-08-2004 17:10:00 3 Enviar Factura system 21-07-2004 14:00:00 4 Process Payment system 29-08-2004 14:01:00 4 Crear Multa Anne 22-07-2004 11:00:00 4 Cerrar Caso system 29-08-2004 17:30:00 4 Enviar Factura system 22-07-2004 11:10:00 3 Recordatorio John 21-09-2004 10:00:00 1 Process Payment system 24-07-2004 15:05:00 3 Recordatorio John 21-10-2004 10:00:00 1 Cerrar Caso system 24-07-2004 15:06:00 3 Process Payment system 25-10-2004 14:00:00 2 Recordatorio Mary 20-08-2004 10:00:00 3 Cerrar Caso system 25-10-2004 14:01:00 14
  15. 15. Operaciones sobre registros de eventos y mapas de proceso • Las herramientas de minería de procesos usan mapas de proceso para permitir la exploración de un registro de eventos • Estas herramientas soportan las siguientes operaciones: 1. Abstracción del mapa de proceso: • Mostrar solamente las actividades (tipos de eventos) más frecuentes • Mostrar solamente los arcos más frecuentes 2. Filtrado del registro de eventos… 3. Enriquecimiento del mapa de procesos (más adelante – para minería de rendimiento) 15
  16. 16. Tipos de filtros de registro de eventos Filtros de actividad • Por ejemplo: Ya sea retener solamente aquellas actividades de un cierto tipo (p.ej. Solamente las actividades “Someter solicitud” y “calcular tasa se interés”) • O retener solamente aquellos caso en los cuales una actividad ocurre, por ejemplo solamente los casos que contienen la actividad “aprobar solicitud” Filtro de atributo • Filtrar por uno de los atributos presentes en el registro, por ejemplo solamente las solicitudes de préstamo de más de 1000 euros Filtro de rendimiento (por ejemplo filtro de tiempo de ciclo • Retener los casos cuyo tiempo de ciclo se superior/inferior a un umbral Filtro de flujo • Retener casos en los cuales un par de actividades ocurren (p.ej. “Crear factura” seguido eventualmente de “Crear pedido”) Filtro de punto inicial/final • Retener casos que comienzan o terminan por una actividad dada 16
  17. 17. Herramientas de minería de procesos Código abierto • Apromore • bupaR (R) • Pm4py (Python) • ProM Ligeras • Disco • Celonis Snap • QPR Xpress Empresariales • ARIS PPM • Celonis • Lana Labs • Minit • myInvenio • ProcessGold • QPR Process Analyzer • Signavio Process Intelligence 17
  18. 18. Demonstración https://apromore.org 18
  19. 19. Exercise: Analysis of a Repair Process Consider the repairExample log of a telephone repair process: • How many cases in this process? • What’s the minimum, maximum and mean duration of a case? • What are the bottlenecks in this process? • Which activity has the longest waiting time and which one has the longest processing time?
  20. 20. Mapas de procesos - limitaciones • Los mapas de proceso sobre-generalizan: algunos caminos en el mapa de proceso son ficticios • Por ejemplo: Dibeje el mapa de proceso del siguiente conjunto de trazas • [ abc, adc, afce, afec ] • Este mapa de procesos continene caminos que no existen en el registro de eventos • En los mapas de procesos, suele ser dificil distinguir entre paralelismo y ciclos • Dibujar por ejemplo el mapa de procesos del siguiente conjunto de trazas: [abcd, acbd] • Solución: Descubrimiento de modelos de procesos BPMN 21
  21. 21. Minería de Modelos BPMN Demonstración http://apromore.org 22
  22. 22. Minería de Procesos 23 / Registro de eventos Modelo generado Descubrimiento Automático de procesos Verificación de Conformidad Análisis de Variantes Diagnóstico de diferencias Minería de rendimiento Modelo de proceso “hecho a la mano” Modelo enriquecido Registro de eventos
  23. 23. Dotted charts Timeline diagrams Performance-enhanced dependency graphs Minería de rendimiento 24
  24. 24. Enriquecimiento (enhancement) de mapas de proceso con medidas de rendimiento • Los nodos y los arcos en un mapa de proceso pueden ser anotados (p.ej. coloreados) con información sobre • Frecuencia: How often a given task or a given directly- follows relation occurs? • Tiempo de procesamiento / Tiempo de ciclo 25
  25. 25. 26 Mapa de proceso enriquecido Un nodo = una actividad Fluxicon Disco
  26. 26. Absolute (cumulative) frequency: • how many times A occurs? • how many times A is directly followed by B? Case frequency: • in how many cases A occurs? • in how many cases A is directly followed by B? Min/Max/Mean frequency: • what’s the min/max/mean frequency of A in a case? And of A→B in a case? Relative frequency: • in what percentage of times is A executed? And A→B? Duration: • what’s the min/max/mean duration of A in a case (process time or cycle time)? • what’s the min/max/mean time between the occurrence of A and the occurrence of B in a case (waiting time)? Process maps: Enhancement examples
  27. 27. 28 Mapa de proceso enriquecido Un nodo = un recurso (mapa de relevos) MyInvenio
  28. 28. Minería de Procesos 29 / Registro de eventos Modelo generado Descubrimiento Automático de procesos Verificación de Conformidad Análisis de Variantes Diagnóstico de diferencias Minería de rendimiento Modelo de proceso “hecho a la mano” Modelo enriquecido Registro de eventos
  29. 29. Dado dos registros de eventos, explicar las diferencias entre estos registros y conectar estas diferencias con diferencias en el rendimiento del proceso Análisis de Variantes ≠
  30. 30. Estudio de Caso: Análisis de Variantes OK OK Good Bad Expected Performance Line
  31. 31. Reclamaciones sencillas y rapidas Reclamaciones sencillas y lentas Analisis de de Variantes por medio de comparacion de mapas de procesos ? S. Suriadi et al.: Understanding Process Behaviours in a Large Insurance Company in Australia: A Case Study. CAiSE 2013
  32. 32. Opening Investigation Assessment Offer Closing Check initial documentation 13 Liaise with relevant parties 12 Request reopening 13 Follow-up with claimant 2 11 Analysis of repetitions
  33. 33. Variants analysis - Exercise We consider a process for handling health insurance claims, for which we have extracted two event logs, namely L1 and L2. Log L1 contains all the cases executed in 2011, while L2 contains all cases executed in 2012. The logs are available in the book’s companion website or directly at: http://tinyurl.com/InsuranceLogs Based on these logs, answer the following questions using a process mining tool: 1. What is the cycle time of each log? 2. Where are the bottlenecks (highest waiting times) in each of the two logs and how do these bottlenecks differ? 3. Describe the differences between the frequency of tasks and the order in which tasks are executed in 2011 (L1) versus 2012 (L2). Hint: If you are using process maps, you should consider using the abstraction slider in 34
  34. 34. Consider the SEPSIS log. This is a log related to 1050 patients treated for sepsis in a Dutch hospital. Generate two variants of this log, one where the patients age is within 30 years (SEPSIS_young), the other where the age is 65 or above (SEPSIS_old). Based on these two variants, answer the following questions using a process mining tool: 1. What is the cycle time of each variant? 2. Where are the bottlenecks (highest waiting times) in each of the two variants and how do these bottlenecks differ? 3. Describe the differences between the frequency and order in which activities are executed in the two variants. Hint: If you use process maps, you should consider using the abstraction slider to hide some of the most infrequent arcs so as to make the maps more readable Exercise: Variants analysis
  35. 35. • Detectar cambios en el proceso y cuándo estos cambios han ocurrido. Detección de Cambios (Drift Detection) Log: ABCDF, ABDCF, ADBEDCF, ABDECDF, ABCDEDEDF, ABDCF, AGBCDF, AGBDCF, AGDBEDCF, AGBDECDF, AGBCDEDED F, AGBDCF, Drift
  36. 36. Detección de Cambios (Drift Detection)
  37. 37. Detección de Cambios en Apromore
  38. 38. Detección de Cambios Demonstración http://apromore.org 40
  39. 39. Minería de Procesos 41 / Registro de eventos Modelo generado Descubrimiento Automático de procesos Verificación de Conformidad Análisis de Variantes Diagnóstico de diferencias Minería de rendimiento Modelo de proceso “hecho a la mano” Modelo enriquecido Registro de eventos
  40. 40. Verificación de conformidad 42 ≠
  41. 41. Verificación de conformidad • En un caso, la tarea E aparece cuando no debe aparecer (undesired activity) • En algunos casos, la tarea C se salta (skipped activity). • El ciclo consistente de las tareas I, G, D, y F se permite de acuerdo al Registro de eventos: ABCDEH ACBDEH ABCDFH ACBDFH ABDFEH ABDEH ABDFH
  42. 42. Reparación interactiva de modelos de procesos A. Armas Cervantes et al. “Interactive and Incremental Business Process Model Repair”, Proceedings of CoopIS’2017 44
  43. 43. Demonstración https://apromore.org 45
  44. 44. In what domain has Process mining been used? HSPI, Process Mining: A Database of Applications, 2017 https://www.win.tue.nl/ieeetfpm/doku.php?id=shared:process_mining_case_studies
  45. 45. Where is it used? HSPI, Process Mining: A Database of Applications, 2017
  46. 46. What methods are applied the most? Process discovery Conformance analysis Performance analysis Discovery + Conformance Discovery + Performance Conformance + Performance Discovery + Conformance + Performance HSPI, Process Mining: A Database of Applications, 2017
  47. 47. Case study: Cineca 49
  48. 48. - 50 - Case Study: Una delle Università più antiche d’Italia Fast facts • One of the major EU computational centers • The Fermi Supercomputer is the 2nd ranked supercomputer in Europe • 600 IT staff Processes analyzed •Change request process •Help request process •Fault handling process •Variants per geographical region and university served •10 months of data Case study: Cineca
  49. 49. Cineca: Automated discovery – 1st try
  50. 50. Cineca: Automated discovery – 2nd try 1st-level filter = type of request (Fault, Change, Help) 2nd-level filter = by client, region Change request
  51. 51. Cineca: Automated discovery – 3rd try Abstraction applied = most frequent paths, to: • Analyze paths frequencies • Identify undesired paths
  52. 52. Cineca: Automated discovery – 4th try Abstraction applied = max repetitions, to: • Identify undersired repetitions
  53. 53. Cineca: Performance mining (replay)
  54. 54. Cineca: Variants analysis - Red Code: 15% - Very High: 14% - High: 10% - Medium: 6% - Low: 3% -Red Code: 10% - Very High: 7% - High: 9% - Medium: 13% - Low: 9% Main Case type 2nd Case type 3rd Case type - Red Code: 19% - Very High: 27% - High: 30% - Medium: 59% - Low: 59% - Red Code: 15% - Very High: 14% - High: 10% - Medium: 6% - Low: 3% - Red Code: 10% - Very High: 7% - High: 9% - Medium: 13% - Low: 9% (Tot: 44%) (Tot: 48%) (Tot: 49%) (Tot: 78%) (Tot: 71%) Change requests filtered by variants type (based on frequency) Priority
  55. 55. Cineca: changes implemented Adoption of positive deviances • Replicating behavior of top performing offices • Training of IT service operators Evolution of the ticket management system • New states being unlocked • Implementation of alerts for real-time monitoring of certain state changes
  56. 56. Técnicas de Monitoreo de Procesos Monitoreo de Procesos BAM y BI Tableros de rendimiento de procesos Cuadros de Mando Integrales (Scorecards) Analítica de procesos Minería de procesos Inteligencia Operacional
  57. 57. ¿Qué es la Inteligencia Operacional? • La Inteligencia Operacional es un conjunto de técnicas para el monitoreo en tiempo real de eventos y tendencias que indican problemas potenciales por llegar. • Permite tomar acciones sobre un entorno operativo en continuo movimiento, invocando intervenciones automáticas, semi-automáticas o manuales. • Por ejemplo, el departamento de TI recibe una notificación sobre un retraso en la disponibilidad de un servicio web. Si dicha interferencia afecta a un cliente o a una oportunidad prioritaria (por ejemplo, descuento promocional), la información se encamina al responsable de negocio, de manera a actuar rápidamente. • Permite además, recoger y correlacionar eventos en tiempo real con datos
  58. 58. Inteligencia operacional: Ejemplos de aplicaciones • Cadena de valor: algunos fabricantes de automóviles poseen únicamente una ventana de cuatro horas de disponibilidad en inventario. Si las piezas faltan, o hay retrasos en la red de aprovisionamiento, se puede producir la parada de la línea de montaje, a un costo elevo. • Centro de atención al cliente: si los tiempos de espera de una llamada de cliente exceden cierto umbral, corremos el riesgo de perder clientes. Los responsables de negocio, sin un método de detección temprana, no pueden responder proactivamente, tomando medidas como, por ejemplo, reasignación de trabajadores del Call Center, priorizando las llamadas por tipología del cliente u otra acción inteligente.
  59. 59. Inteligencia Operacional - Arquitectura
  60. 60. Objetivos de Monitoreo, Usuarios y Herramientas Correspondientes Estratégico Táctico Operacional Participantes del proceso y Gerentes Operativos (incluido el Propietario del proceso) Imagen del rendimiento de los casos en curso o de los casos recientemente completados Propietarios del proceso, Directores Funcionales y Analistas de Procesos Imagen de la ejecución de un proceso durante un período de tiempo relativamente largo para poner de manifiesto las variaciones de rendimiento indeseables y sus posibles causas, cuellos de botella y desviaciones a plazo, o frecuentes fuentes de defectos. Directores ejecutivos Imagen de alto nivel del rendimiento de grupos de procesos a lo largo de múltiples dimensiones de rendimiento. Objetivo de Monitorización Tableros de Mando Integrales (BSC) BI, BAM, Minería de Procesos BAM, Inteligencia Operacional
  61. 61. Herramientas BAM, BI, Minería de Procesos e Inteligencia Operacional Operacional – Herramientas de Inteligencia Operacional • SAP Operational Process Intelligence (OPI) • VITRIA Operational Process Intelligence • Apromore Predictive Process Monitoring, Celonis Action Engine, … Operacional-Táctico – Herramientas BAM • ARIS Process Performance Manager (PPM) • Bizagi Business Activity Monitoring, Oracle BAM, webMethods Optimize for Process, … Táctico-Estratégico – Herramientas BI y Minería de Procesos • Herramientas Business Intelligence (BI): PowerBI, Qlikview, Tableau… • Herramientas de Minería de Procesos: Apromore, Celonis, Disco, … Nivel estratégico – Herramientas BSC especializadas • BSC Designer Online, Quickscore, Sisense, etc.
  62. 62. Inteligencia Operacional: Monitoreo Reactivo, Predictivo y Prescriptivo • La primera generación de Inteligencia Operacional se focaliza en monitoreo reactivo • Los eventos llegan de diferentes fuentes y se correlacionan por medio de un CEP, el cual dispara reglas al detectar instancias de eventos complejos • La segunda generación, monitoreo predictivo, combina técnicas de Inteligencia Artificial con CEP para predecir situaciones futuras • La tercera generación, monitoreo prescriptivo, permite ligar predicciones a posibles acciones, ya sea acciones automáticas o manuales, por ejemplo disparando alarmas a los trabajadores del proceso con recomendaciones específicas, de manera a optimizar costes, tasa de defecto u otros indicadores de rendimiento.
  63. 63. Técnicas de inteligencia de procesos Inteligencia de Procesos BAM y BI Tableros de rendimiento de procesos Cuadros de Mando Integrales (Scorecards) Analítica de procesos Minería de procesos Inteligencia Operacional Monitoreo reactivo Monitoreo predictivo Monitoreo prescriptivo
  64. 64. Monitoreo Predictivo de Procesos Stream de eventos Modelos predictivos Tablero predictivo detallado Alarmas predictivas Tablero predictivo agregado Registro de eventos Base de datos Sistema empresarial 66
  65. 65. Monitoreo predictivo de procesos • ¿Cuál será la siguiente actividad en el caso en curso? • ¿Cuándo va a terminar la siguiente actividad? • ¿En cuánto tiempo va a completar este caso? • ¿Cuál será el resultado de este caso? • ¿Vamos a tener que pagarle compensación al cliente? 67
  66. 66. Registro de eventos Algoritmo de aprendizaje / Resultado del casoAtributos Trazas 68 Registro de eventos Algoritmo de aprendizaje Siguientes actividad / caminos Atributos Trazas Medida de rendimiento Monitoreo Predictivo de Procesos: Enfoque General Caso en curso Caso en curso
  67. 67. Sequence encoding 69
  68. 68. Sequence encoding ▷ Index-based encoding ▷ Aggregation encoding ▷ LSTM (not yet in Apromore)
  69. 69. Aggregation encoding 71 Case ID Time- stamp Activity Resource Amount C1 T1 A R1 100 C1 T2 B R1 100 C1 T3 D R2 100 C1 T4 E R3 100 C1 T5 E R3 100 C2 T1 A R1 15 C2 T2 B R1 50 C2 T3 D R4 50 C2 T4 F R4 50 C3 T1 A R5 30 C3 T2 C R5 30 C3 T3 B R5 30 Time- stamp Freq A Freq B Freq C Freq R1 Freq R5 Max Amount Mean Amount T1 1 0 0 1 0 100 100 T1 1 0 0 1 0 15 15 T1 1 0 0 0 1 30 30
  70. 70. Aggregation encoding 72 Case ID Time- stamp Activity Resource Amount C1 T1 A R1 100 C1 T2 B R1 100 C1 T3 D R2 100 C1 T4 E R3 100 C1 T5 E R3 100 C2 T1 A R1 15 C2 T2 B R1 50 C2 T3 D R4 50 C2 T4 F R4 50 C3 T1 A R5 30 C3 T2 C R5 30 C3 T3 B R5 30 Time- stamp Freq A Freq B Freq C Freq R1 Freq R5 Max Amount Mean Amount T1 1 0 0 1 0 100 100 T1 1 0 0 1 0 15 15 T1 1 0 0 0 1 30 30 T2 1 1 0 2 0 100 100 T2 1 1 0 2 0 50 32.5 T2 1 0 1 0 2 30 30 Classifier
  71. 71. Predictive process monitoring workflow Encoding Bucketing Learning Training set Last state Aggregation Index-based … Zero Cluster Prefix-length … Decision tree Random forest SVM … Buckets Models 73
  72. 72. Index-based encoding + prefix-length bucketing 74 Case ID Time- stamp Activity Resource Amount C1 T1 A R1 100 C1 T2 B R1 100 C1 T3 D R2 100 C1 T4 E R3 100 C1 T5 E R3 100 C2 T1 A R1 15 C2 T2 B R1 50 C2 T3 D R4 50 C2 T4 F R4 50 C3 T1 A R5 30 C3 T2 C R5 30 C3 T3 B R5 30 Activity1 Resource1 Amount1 A R1 100 A R1 15 A R5 30 Classifier 1
  73. 73. 75 Case ID Time- stamp Activity Resource Amount C1 T1 A R1 100 C1 T2 B R1 100 C1 T3 D R2 100 C1 T4 E R3 100 C1 T5 E R3 100 C2 T1 A R1 15 C2 T2 B R1 50 C2 T3 D R4 50 C2 T4 F R4 50 C3 T1 A R5 30 C3 T2 C R5 30 C3 T3 B R5 30 Activity1 Resource1 Amount1 A R1 100 A R1 15 A R5 30 Activity1 Resource1 Amount1 Activity2 Resource2 Amount2 A R1 100 B R1 100 A R1 15 B R1 50 A R5 30 C R5 30 Classifier 1 Classifier 2 Index-based encoding + prefix-length bucketing
  74. 74. • Predecir el resultado de un caso (p.ej. “¿Se va a aceptar esta solicitud de crédito?”) • Predecir une medida de rendimiento (p.ej. “¿Cuanto tiempo va a tomar procesar este reclamo?”) • Predecir eventos futuros (e.g. “¿Cuál es el siguiente evento que se va a generar en este caso?”) Event log Training module Training Validation Predictor Dashboard Runtime module Information system Predictions Stream (Kafka) Predictive model(s) Event stream Event stream Batched Predictions (CSV) Apromore Monitoreo Predictivo de Procesos en Apromore 76
  75. 75. Demonstración http://apromore.org 77
  76. 76. Apromore: Entrenamiento de modelo predictivo
  77. 77. Apromore: Evaluación del modelo predictivo Your text here MAE = Mean Absolute Error (medida de error)
  78. 78. Apromore: Tablero predictivo
  79. 79. / Stream de eventos Datos históricos Modelo de proceso Análisis de variantes Reporte de conformidad Medidas de rendimiento A ⇒ B 15 4,318 14 14 858 13 7,128 26 3,794 32 31 734 28 6,212 9 1,526 941 4,324 258 186 4,360 4,360 Created 4,360 Waiting for Support 12,587 Waiting for Customer 8,681 Resolved 5,023 Closed 4,360 Waiting for Internal 923 Escalation 42 Waiting for Approval 14 Waiting for Triage 31 Sistema empresarial Predicciones Apromore Resumen: Minería de Procesos y Monitoreo Predictivo
  80. 80. ¿Cuál es el valor de la minería de procesos? Ver los procesos tal como son • No como se los imagina Respaldar sus hipótesis con datos • No solamente intuiciones Cuantificar las propuestas de cambios de procesos • Antes y después
  81. 81. • Minería de Procesos Robóticos (Robotic Process Mining) • Partiendo de registros de eventos de bajo nivel… • Clics, teclas pulsadas, movimientos de cursor, pantallazos, … • …descubrir oportunidades de automatización usando herramientas RPA • …y generar especificaciones ejecutables para automatización RPA (scripts RPA) • Es decir, scripts RPA incluyendo variables, transformaciones de datos, etc. • Monitoreo de Procesos Prescriptivo (Prescriptive Process Monitoring) • Extraer predicciones interpretables • Para ayudar a los usuarios a entender las causas raíces de defectos/problemas Perspectivas 83
  82. 82. 1.Introduction 2.Process Identification 3.Essential Process Modeling 4.Advanced Process Modeling 5.Process Discovery 6.Qualitative Process Analysis 7.Quantitative Process Analysis 8.Process Redesign 9.Process-Aware Information Systems 10.Executable Process Modeling 11.Process Monitoring 12.BPM as an Enterprise Capability

×