Conferencia Internacional sobre Informacin, Procesos y Gestin del Conocimiento
Diagnosticos de Procesos: un Metodo Basado en Process Mining Melike Bozkaya, Joost Gabriels, Jan Martijn van der Werf LaQuSo, Laboratory for Quality Software, an activity of Technische Universiteit Eindhoven and Radboud Universiteit Nijmegen, P.O. Box 513, 5600 MB Eindhoven, The Netherlands Email: {m.bozkaya, j.gabriels, j.m.v.d.werf}@laquso.com Resumen - Como las organizaciones cambian, los sistemas de informacin pueden evolucionar de sistemas simples a sistemas complejos, que son difciles de entender, y por lo tanto, difcil de mantener o extender. Process Mining o la Minera de Procesos puede ayudar a las organizaciones en tratar de entender los sistemas de informacin mediante el anlisis de sistemas. En este artculo se propone una metodologa para llevar a cabo el diagnstico de procesos, basados en process minning. Dado un event log (registro de eventos) de un sistema de informacin de una organizacin, el diagnstico de procesos ofrece una visin general de(los) proceso(s) de la organizacin en un corto perodo de tiempo. En la metodologa de diagnstico de procesos, se destacan varias perspectivas del proceso. El resultado incluye la perspectiva de flujo de control, la perspectiva del rendimiento y la perspectiva de la organizacin. Utilizamos la metodologa en un estudio de caso para una organizacin gubernamental Holandesa. Palabras claves - Gestin de procesos, anlisis de procesos, minera de procesos o process mining, diseo de sistemas de informacin.
I. INTRODUCCIN
Hoy en da, los sistemas de informacin son indispensables dentro de las organizaciones. A medida que las organizaciones cambian, estos sistemas evolucionan de simples sistemas, que fueron fciles de entender, a sistemas complejos que son difciles de entender, y por lo tanto, difciles de mantener. Esto plantea la pregunta de si el sistema est funcionando de la forma en que la organizacin cree que funciona. Esta pregunta suele ocurrir cuando el sistema de informacin tiene algunos defectos como problemas de rendimiento. Ms importante an, para que las organizaciones estn en control, deben asegurarse de que el sistema est funcionando de acuerdo a sus especificaciones. Los sistemas de informacin de apoyo a los procesos de negocio suelen registrar todos los eventos en un registro. Tal registro, denominado registro de eventos (event log) o seguimiento de auditora (audit trail), contiene informacin sobre los eventos: para qu actividad e instancia del proceso, conocido como caso, se ejecuta, por quin y en qu momento. Una actividad puede tener mltiples eventos. Todos los eventos para un caso forman una secuencia, llamada rastro (trail) o ejecucin (run) de ese caso, y muestra qu eventos ocurrieron, en qu orden y en qu momento. Process mining permite analizar estos event logs. Process mining mira dentro de los procesos para responder preguntas como: Cmo es el proceso actual?, Los logs ejecutados se ajustan a las especificaciones, es decir, todos los casos siguen el modelo de proceso especificado?, Existe algn cuello de botella en el proceso?, Quin ejecuta qu tareas?, Quines suelen trabajar juntos?, etc. El campo del process mining cubre muchas reas, tales como las caractersticas de rendimiento (por ejemplo, tiempos de produccin) [1], descubrimiento de procesos (descubrimiento del flujo de control) [2], [3], [4], conformidad de proceso (cumplimiento de especificaciones del event log) [5], [6], y las redes sociales (por ejemplo, cooperacin o subcontratacin)[7], [8]. Responder estas preguntas puede servir como un identificador para las organizaciones para responder dos de las principales preguntas: Estamos en control?, y La informacin del sistema realmente refleja la situacin del proceso de negocio?. Unas de las herramientas de apoyo de process mining es el ProM [9]. Est basado en complementos (plugins) para apoyar nuevas reas y tcnicas. En la ltima dcada, el process mining evolucion desde el descubrimiento del flujo de control a un amplio campo de investigacin para obtener todo tipo de informacin de un registro (log), lo que resulta en ms de 250 complementos diferentes dentro de ProM. Esto muestra que existen muchas tcnicas diferentes para aplicar process mining. Puesto que hay muchas, no est claro ya cuando usar cada complemento. A pesar de que muchos casos de estudio se han llevado a cabo (vase [10], [11]), el principal problema con estos estudios de caso es que todos fueron hechos caso por caso desde la perspectiva y conocimiento del investigador que realiz el estudio de caso. Hasta ahora, no existe una metodologa para abordar un nuevo estudio de caso, es decir, es difcil hacer process mining un servicio repetible. En este artculo se propone una metodologa para hacer un diagnstico de un proceso basado en process mining. La metodologa es diseada para ofrecer en un corto periodo de tiempo una amplia visin general de(los) proceso(s) dentro del sistema de informacin. La clave en esta metodologa es la ausencia de dominio y conocimiento especfico previo. La nica informacin disponible es el event log. Esto tambin implica que el diagnostico solo presenta hechos sobre los procesos. Depende de la organizacin interpretar los resultados del diagnstico. Ilustramos la metodologa con un estudio de caso realizado para una organizacin gubernamental holandesa. Este artculo est organizado de la siguiente manera: primero se explica la metodologa en la Seccin II. En la Seccin III, se presenta un estudio de caso en el cual se aplica la metodologa. Se concluye este artculo en la Seccin IV.
II. METODO DEL DIAGNOSTICO DE PROCESO
Se presenta una metodologa para un rpido diagnstico de procesos. La metodologa tiene como objetivo ofrecer una amplia visin general del proceso en el sistema de informacin dentro de un corto periodo de tiempo. Se compone de cinco fases: (1) log preparation (preparacin del registro), en la que se extrae el event log del sistema de informacin, (2) log inspection (inspeccin del registro), para obtener un primer vistazo del proceso, (3) control flow analysis (anlisis de flujo de control), (4) performance analysis (anlisis de rendimiento) y (5) role analisys (anlisis de
2
rol), es decir, las personas y los recursos que ejecutan actividades en el proceso. Finalmente, los resultados se informan al cliente. La Figura 1 muestra la metodologa como un proceso. Las primeras dos etapas son entradas para el anlisis de flujo de control y anlisis de rol, el anlisis de rendimiento tambin necesita los input del anlisis de flujo de control.
A. Preparacin del Log
En un event log, cada evento hace referencia a un caso y a una actividad, y tiene una marca de tiempo que indica cuando ocurri. Normalmente, el sistema de informacin en cuestin tiene un formato de registro interno, que contiene toda la informacin, pero que necesita ser extrada, o incluso transformada, con el fin de poder ser utilizado para process mining. El formato interno de logs del sistema de informacin puede ser cualquier cosa, desde simples archivos de textos hasta bases de datos internas, como en un sistema SAP. Por lo tanto, es necesario un procesamiento previo del log. El preprocesamiento ya plantea muchas preguntas. El primer paso es seleccionar la mejor idea de un caso, ya que a menudo hay varios candidatos. El siguiente paso es la identificacin de las actividades y sus eventos. Si el log tiene mltiples marcas de tiempo, la semntica de las marcas de tiempo necesitar ser claras, por ejemplo, una marca de tiempo del comienzo del evento, o del caso. Estos tipos de problemas necesitan abordarse para tener un event log apropiado para proceder a la siguiente fase.
B. Inspeccin del Log
La siguiente fase consiste en familiarizarse con el event log, y para tener un primer vistazo del proceso representado por el event log. En esta fase, se recopilan estadsticas sobre el log. Estas incluyen informacin sobre el nmero de casos y roles, el nmero total de eventos, los diferentes eventos actuales, el nmero mnimo, mximo y promedio de eventos por cada caso, los eventos de inicio y finales y sus ocurrencias, etc. Estas estadsticas dan a conocer el tamao del proceso y del event log y ayudan a afinar los algoritmos de minera y a evaluar los resultados obtenidos en las siguientes fases. En base a estas estadsticas, el event log es filtrado para remover los casos incompletos, es decir, se eliminan los casos que se iniciaron antes del inicio del event log, y casos que an se estaban ejecutando al final del event log. Este event log filtrado es el input para las siguientes fases.
C. Anlisis de Flujo de Control
En esta fase, se analizan los aspectos del flujo de control del proceso. Da respuestas a la pregunta Cmo es el proceso actual?. En primer lugar, si la organizacin tiene un modelo del proceso, es ejecutado un chequeo de conformidad para comprobar si el proceso mencionado cumple las especificaciones, es decir, que cada caso en el event log se puede reproducir en el modelo del proceso. Si este no es el caso, o un modelo del proceso no existe, el flujo del control necesita ser descubierto. Hay muchos algoritmos disponibles para descubrir procesos, vase [2], [12], [13], [4]. Simplemente ejecutar diferentes algoritmos de descubrimiento a menudo nos da algunos modelos de proceso, pero por lo general, esto resulta en un modelo de procesos enredado, ya que el comportamiento poco frecuente, como las excepciones, tambin son tomados en cuenta. Los comportamientos poco frecuentes significan que hay casos cuya secuencia no ocurre muy a menudo. Por lo tanto, para descubrir un modelo de proceso que describa la ejecucin de la fbrica, es necesario descartar las secuencias infrecuentes en primer lugar, y solo considerar secuencias con una alta frecuencia. Siguiendo el principio de Pareto, el log necesita ser filtrado de tal manera que cubra al menos el 80% del log, pero que solo contenga casos con alta frecuencia de ocurrencia. Luego este event log se puede utilizar para descubrir el flujo de control. Una buena verificacin para el modelo del proceso es ejecutar un chequeo de conformidad sobre l. Sobre este resultado, un comportamiento infrecuente se puede notar.
D. Anlisis de Rendimiento
Despus de descubrir el flujo de control, estos modelos de proceso se pueden utilizar para analizar el rendimiento del proceso. Esta fase responde preguntas como Existe algn cuello de botella en el proceso?. En primer lugar, un anlisis grfico de puntos [14] se utiliza para comparar casos y sus tiempos de ejecucin. El eje vertical de un grfico de puntos representa los casos en el event log, el eje vertical representa el tiempo. Esto nos da un conocimiento til sobre rendimiento del sistema. A continuacin, mediante la reproduccin del log sobre el modelo de proceso, los cuellos de botella y los tiempos de ejecucin de actividades individuales y del proceso en s son calculados [1]. A pesar que el modelo del proceso describe la ejecucin de la fbrica, este anlisis no es suficiente. Por lo tanto, despus de la reproduccin, las diferentes secuencias necesitan ser inspeccionadas por separado, dando una valiosa informacin acerca de los tiempos de ejecucin en casos con excepciones u otros comportamientos poco frecuentes.
E. Anlisis de Rol
Si el event log es lo suficientemente rico, es decir, si contiene informacin sobre quien ejecuta un evento, entonces los roles en el proceso pueden ser analizados. Un rol es una persona u otro tipo de recurso que est involucrado en el proceso, mediante la ejecucin de actividades de ese proceso. Esta fase da respuestas a preguntas como Quin ejecuta qu actividad? y Quines estn trabajando juntos?. En primer lugar, se crea una matriz rol- actividad. En esta matriz, las filas representas los roles, las columnas representan cada evento del event log. Cada celda contiene el nmero de veces que el rol ejecuta ese evento. A continuacin, para cada rol se crea un perfil desde esta matriz. Si los roles tienen perfiles similares, forman un grupo. De esta forma, los roles en el event log se pueden dividir en grupos. Para la organizacin, ahora es posible chequear estos grupos descubiertos frente al modelo organizacional utilizado. Esto le da a la organizacin informacin importante sobre la divisin del trabajo dentro de los departamentos de la organizacin, si las personas de diferentes departamentos ejecutan actividades similares, y como est la comunicacin entre los diferentes departamentos [8].
3
A continuacin, los roles son analizados para descubrir especialistas, es decir, los roles que solo ejecutan algunas actividades pero con mucha frecuencia; y generalistas, es decir, los roles que ejecutan muchas actividades diferentes en el proceso. Una forma de descubrir estos tipos de roles es generar una jerarqua de roles, una jerarqua basada en las distintas actividades que los roles ejecutan. Una flecha dirigida entre dos roles indica que el rol en la base de la flecha puede hacer al menos las actividades del rol en la punta de la flecha. En tercer lugar, se realiza un anlisis de la red social. Una red social es un grfico que representa la relacin entre los roles, basado en una caracterstica descubierta en el event log. Esta caracterstica puede ser la transferencia de trabajo, es decir, un rol pasa un simple caso a otro y este a otro; y la subcontratacin, es decir, un rol pasa un solo caso a otro rol, y este rol devuelve el trabajo de vuelta al primer rol despus de terminar su actividad. Los indicadores importantes dentro del anlisis de redes sociales son la centralidad de intermediacin, es decir, el nmero de roles que un rol puede alcanzar solo por atravesar flechas dirigidas, el grado de flechas entrantes y el grado de flechas salientes [7].
F. Transferencia de los Resultados
El objetivo de esta metodologa es obtener conocimientos en los procesos de la organizacin y su apoyo mediante los sistemas de informacin. Los resultados del diagnstico muestran todo el comportamiento visto en el sistema. Este comportamiento a menudo se desva del proceso previsto, debido a la conducta no deseada, como secuencias o perfiles de usuario que no estn permitidos, por ejemplo, la legislacin, pero tambin a causa de atajos inteligentes tomados por los usuarios del sistema para hacer su trabajo ms fcil. El ejecutor de los diagnsticos no es capaz de hacer la distincin entre el comportamiento deseado y no deseados. Por lo tanto, es importante discutir los resultados de los diagnsticos con el cliente, de manera que el cliente entienda el resultado y consiga un mejor entendimiento del sistema de informacin. Con este conocimiento, y con el apoyo del ejecutor del diagnstico, el cliente puede refactorizar su sistema de informacin para que sea ms eficiente o para acelerarlo, por ejemplo, decidir no permitir ciertas secuencias a perfiles de usuario, o apoyar ciertos atajos tomados por sus usuarios.
III. ESTUDIO DE CASO
Para una organizacin gubernamental holandesa, se realiz un estudio de caso para dar una visin general del proceso dentro de su sistema de informacin, implementado en Oracle 9i. La organizacin se encarga de un proceso de emitir un documento. Mientras ms y ms personas y organizaciones necesiten este documento, el proceso necesita ser altamente optimizado. Para ser capaz de entregar conocimiento de cmo funciona actualmente el sistema de informacin y dar recomendaciones para mejorar el sistema para acelerar el proceso, se realiza el mtodo de diagnstico de proceso para dar una visin general de su sistema.
A. Preparacin del Log
El log recibido fue un archivo de texto con registros que contienen 23 campos. Cada registro contiene informacin sobre el identificador del caso, la actividad realizada, el recurso de ejecucin, llamado el originador, y varias marcas de tiempo indicando la hora de inicio del caso, el momento en que ocurri el evento y la marca de tiempo que indica el trmino previsto y real del caso. Desafortunadamente, no fue posible encontrar una marca de tiempo indicando el fin de una actividad, lo que significa que solo se conoce cuando ocurre una actividad, pero no el tiempo que se emplea en ella.
B. Inspeccin del Log
En nuestro caso de estudio, el event log consta de 60 diferentes actividades y 83.611 casos con un total de 276.333 eventos. Haba 60 originadores involucrados en el proceso. En el log se encontr alrededor de 25 eventos de inicio, de los cuales la actividad 1 y 495 son los eventos de inicio en el 90% de los casos. El log consta de 30 finales de eventos, de los cuales la actividad 56 es en el 87% de todos los casos, el evento final. Para obtener un primer vistazo, el Fuzzy Miner [3], un plugin en la herramienta ProM, se utiliza en el registro, con un comienzo artificial y un final de evento aadido a cada caso. El Fuzzy Miner agrupa las actividades coherentes con log significativos pero con alta correlacin. La Figura 2 muestra el modelo del proceso resultante. El grosor de un arco indica la frecuencia. Por lo tanto, parece que la secuencia 1 61 56 es una ruta frecuente. Este modelo muestra que tanto la actividad 1 y 495 son los eventos de inicio ms frecuentes, y que el proceso termina la mayora de las veces con la actividad 56. Este resultado concuerda con las estadsticas encontradas en la fase previa. Por lo tanto, es una buena idea filtrar el log para obtener solo los casos que comienzan con la actividad 1 o 495 y que terminan con la actividad 56. Esto resulta en un event log filtrado con 67.411 casos, lo cual es el 81% del event log original.
C. Anlisis de Flujo de Control
Para encontrar las rutas ms frecuentes en el event log, se ha utilizado el plugin Performance Sequence Analysis de ProM, que
4
muestra los diferentes patrones (patterns), junto con algunos parmetros de rendimiento para cada patrn, como el tiempo medio de produccin. Los resultados de este anlisis muestran que la observacin de nuestra ruta frecuente es correcta. La secuencia 1 61 56 se ejecuta 41.422 veces, es decir, el 49,5% de los casos. En total hay 210 secuencias diferentes que un caso puede seguir. La Tabla 1 muestra los 15 primeros patrones ms frecuentes del proceso. Esta tabla muestra solo 8 actividades de un total de 60, y que 15 secuencias describen 66.582 de los 67.411 casos, es decir, la mayora de las secuencias del proceso siguen un modelo de proceso muy simple, mientras que solo un pequeo porcentaje seguir una ruta ms difcil. Filtramos el log de tal manera que solo contenga los casos que siguen uno de estas 15 secuencias. En este event log, hemos descubierto el modelo de proceso que se muestra en la Figura 3. El chequeo de conformidad en este modelo muestra una correcta terminacin del 99.4%, es decir, el 99,4% de los casos que comienzan con la actividad 1 o 495 y terminan con la actividad 56 siguen exactamente este modelo.
D. Anlisis de Rendimiento
En el event log obtenido, hemos realizado un anlisis de grafico de puntos, de los cuales el resultado se muestra en la Figura 4. A partir de este diagrama, podemos concluir que entre las primeras dos actividades, la actividad 1 y 61, el tiempo de espera se desva mucho. Como no tenemos ninguna informacin sobre la duracin de las actividades, solo podemos concluir que, o bien la actividad 1 tiene una alta desviacin, o la actividad 61 es una actividad que es ejecutada irregularmente. El Anlisis de Rendimiento tambin muestra que hay dos cuellos de botella en el proceso estndar, es decir, los lugares entre la actividad 1 y 44, y el lugar entre la actividad 44 y 61. A partir de esto, podemos concluir que la actividad 1 tiene una duracin irregular. La Tabla 1 tambin indica que los casos que comienzan con la actividad 495 tienen un bajo tiempo de produccin promedio, mientras que un caso que comienza con la actividad 1 muestra un alto tiempo de produccin promedio.
E. Analisis de Rol
El event log es suficientemente rico como para realizar un anlisis de roles. El complemento Organizational Miner de ProM se utiliza para calcular el perfil de cada uno de los roles presentes en el event log. Hemos descubierto 4 grupos diferentes. En el primer grupo residen 14 roles, en el segundo grupo 37. Es interesante que los dos ltimos grupos consten de un solo rol. Los primeros dos grupos ejecutaron 15 y 23 actividades diferentes respectivamente. Los ltimos dos grupos ejecutaron 2 y 4 actividades respectivamente. La inspeccin de la matriz rol- actividad revela que las actividades realizadas por los dos ltimos grupos se producen muy poco frecuentes, mientras que las actividades realizadas por los otros roles son muy frecuentes. Es muy probable, que los dos ltimos grupos son dos administradores que ejecutan actividades si el proceso se queda atascado. A continuacin se examinan los especialistas y generalistas. Una jerarqua de roles es generada como se muestra en la Figura 6. Desde el rbol generado, podemos concluir que hay 24 especialistas, cada uno ejecutando como mximo 3 actividades, y 5 generalistas reales que ejecutan cada uno 13 o ms actividades diferentes. La mayora de los usuarios ejecutan entre 4 y 9 actividades diferentes. Es interesante que el servicio web es uno de los especialistas, que solo ejecuta dos actividades diferentes. Es destacable que el rol de administrador solo ejecuta 9 actividades, lo cual es, en este proceso, demasiado poco para ser un generalista.
5
Esto indica que hay solo uno pocos casos en donde el administrador tuvo una intervencin importante.
Un anlisis de redes sociales que representa el traspaso del trabajo se muestra en la Figura 5. En esta figura, la amplitud de los nodos representa el nmero de flechas salientes, mientras que la altura de los nodos representa el nmero de flechas entrantes. El grafico muestra que la mayora de los roles tienen un muy bajo grado de flechas entrantes y salientes, mientras que solo un rol tiene un muy alto grado de flechas salientes, indicando que este rol delega actividades a muchos roles diferentes. Hay algunos originadores que tienen un alto grado de flechas entrantes, lo que significa que tienen una especia de posicin de recogida, puesto que reciben trabajo delegado de muchos roles diferente, mientras ellos no las pasan a muchos otros roles. Para medir a los originadores centrales en el proceso, se calcula la mtrica de centralidad de intermediacin. De esta mtrica podemos ver que hay un rol que es ms central. La matriz rol-actividad revela que este rol solo ejecuta las actividades 513 (37 veces), 56 (1.658 veces) y 24 (3.186 veces).
F. Transferencia de los Resultados
Al final de los diagnsticos del proceso, tuvimos una sesin con el cliente en el que explicamos los resultados obtenidos. Durante la discusin con el cliente, el cliente reconoce el modelo del proceso, y de hecho, est de acuerdo que representa el flujo central de sus procesos a pesar de que encontraron que los tiempos de produccin de los casos es muy alta. En la discusin, se constat que la actividad 45 solo se ejecuta si se ha ejecutado la actividad 24. La actividad 45 es una actividad en la cual el caso es analizado si es manejado correctamente, y solo debera ser ejecutado una vez cada 100 casos. Sin embargo, resulto que esta actividad fue ejecutada en casi la mitad de los casos, lo que implica que este anlisis fue ejecutado con demasiada frecuencia. La inspeccin del tiempo dentro de la organizacin, revel que este era debido a un considerable atraso y el alto nmero de recin llegados en ese momento. El alto tiempo de produccin tambin se podra explicar por los mismos argumentos. Al explicar los resultados del anlisis de rol, en particular el modelo de la organizacin, el cliente poda nombrar los diferentes grupos. El segundo grupo, el grupo 1, era un grupo especializado de personas ejecutando las actividades ms elaboradas. El primer grupo consista principalmente del departamento de administracin, junto con algunas personas del segundo grupo, quienes fueron transferidos en ese momento para ayudar al departamento de administracin. El tercer grupo era una persona que apoy a los diferentes departamentos. El ltimo grupo era el administrador de sistemas. Tambin la alta centralidad del rol role8 en la red social fue directamente reconocida por el cliente, quien se sorprendi de alguna manera en que pudiramos encontrar esto, ya que esta persona tena un rol central pues su trabajo era principalmente delegar el trabajo a los diferentes equipos en los departamentos.
IV. CONCLUSIONES
Para las organizaciones responder la pregunta principal: Estamos en Control? pueden utilizar las tcnicas de process mining. Sin embargo, la diversidad de la investigacin actual en este campo hace que sea difcil ver cmo aplicar process mining dentro de las organizaciones. En este artculo, se propone una metodologa de diagnstico de procesos que da una visin general del proceso apoyado por sistema de informacin. La metodologa solo usa algunos de los mtodos de anlisis disponibles y se puede realizar en un corto periodo de tiempo. En la metodologa de diagnstico de procesos, se destacan varios puntos de vista del proceso. El resultado incluye la perspectiva del flujo de control, es decir como es el modelo del proceso actual, la perspectiva del rendimiento, es decir, que tan bien el sistema funciona y la perspectiva organizacional, es decir, quin est involucrado en el sistema y cmo. El resultado de la metodologa puede ser utilizada para su posterior anlisis en temas especficos. Se utiliz la metodologa en un estudio de caso para una organizacin gubernamental holandesa. Este caso de estudio toma alrededor de 50 horas hombre en total y se llev a cabo sin conocimiento detallado del proceso de la compaa. Los resultados de la aplicacin de la metodologa muestran que aproximadamente el 80% de los casos se pueden describir como un modelo de proceso simple que tiene un cuello de botella. El anlisis organizacional tambin muestra que hay un rol dentro de la organizacin que es muy central. Dicho punto central a menudo indica un punto dbil dentro de la organizacin, pero tales conclusiones solo se pueden extraer del cliente. En general, el diagnostico de proceso solo presenta hechos. Para evitar malas interpretaciones, el resultado nunca se debera entregar sin una explicacin detallada del ejecutor del diagnstico. La discusin entre el cliente y el ejecutor ayudan al cliente con la interpretacin de los resultados.
El caso de estudio muestra que la metodologa de diagnstico de procesos puede ser aplicada dentro de un corto periodo de tiempo, entregando una visin general del proceso dentro de los
6
sistemas de informacin utilizados. Se necesitan ms casos de estudio para afinar la metodologa. La mayora de las tcnicas de anlisis en la metodologa utilizan herramientas que pueden ser de valor para automatizar partes de las actividades de proces mining , esto para simplificar el uso de los diagnsticos de proceso, y por lo tanto, sea ms fcil. La presentacin de los resultados en un documento escrito, por lo general no es suficiente, ya que solo muestra los resultados en un nivel fijo de abstraccin y tiempo. Los resultados son a menudo mejor interpretados si la organizacin est dispuesta a interactuar con los modelos encontrados, mirar las excepciones en el proceso, y, en general, tener una mejor sensacin del proceso. Al dar una instantnea, de alguna manera, limitamos la informacin. Para capturar todos los aspectos del proceso, necesitamos encontrar mejores maneras de presentar y visualizar los resultados.
REFERENCES
[1] P. Hornix, Performance analysis of business processes through process mining, Masters thesis, Technische Universiteit Eindhoven, 2007. [2] W. van der Aalst, A. Medeiros, and A. Weijters, Genetic process mining, in ICATPN 2005, ser. LNCS, vol. 3536, 2005, pp. 48 69. [3] C. Gunther and W. van der Aalst, Fuzzy mining: Adaptive process simplification based on multi-perspective metrics, in BPM 2007, ser. LNCS, vol. 4714, 2007, pp. 328 343. [4] J. M. van der Werf, B. van Dongen, C. Hurkens, and A. Serebrenik, Process discovery using integer linear programming, in ATPN, ser. LNCS, vol. 5062, 2008, pp. 368 387. [5] Rozinat and W. van der Aalst, Conformance testing: Measuring the fit and appropriateness of event logs and process models, in BPM 2005 Workshops, ser. LNCS, vol. 3812, 2005, pp. 163 176. [6] Rozinat and W. van der Aalst, Conformance testing: Measuring the fit and appropriateness of event logs and process models, in BPM 2005 Workshops, ser. LNCS, vol. 3812, 2005, pp. 163 176. [7] W. van der Aalst, H. Reijers, and M. Song, Discovering social networks from event logs, Computer Supported Cooperative Work, vol. 14, no. 6, pp. 549 593, 2005. [8] M. Song and W. van der Aalst, Towards comprehensive support for organizational mining, Technische Universiteit Eindhoven, Tech. Rep., 2007. [9] W. van der Aalst, B. van Dongen, C. Gunther et al., Prom 4.0: Comprehensive support for real process analysis, in ICATPN, ser. LNCS, vol. 4546, 2007, pp. 484494. [10] W. van der Aalst, H. Reijers, A. Weijters, B. van Dongen, A. Alves de Medeiros, M. Song, and H. Verbeek, Business process mining: an industrial application, Information Systems, vol. 32, no. 1, pp. 713 732, 2007. [11] Rozinat, I. de Jong, C. Gunther, and W. van der Aalst, Process mining of test processes: a case study, Technische Universiteit Eindhoven, Tech. Rep. WP 220, 2007. [12] W. van der Aalst, A. Weijters, and L. Maruster, Workflow mining: Discovering process models from event logs, IEEE Transactions on Knowledge and Data Engineering, vol. 16, no. 9, pp. 1128 1142, September 2004. [13] Weijters, W. van der Aalst, and A. Alves de Medeiros, Process mining with the HeuristicsMiner algorithm, Technische Universiteit Eindhoven, Tech. Rep. WP 166, 2006. [14] M. Song and W. van der Aalst, Supporting process mining by showing events at a glance, in WITS 2007, 2007.