[논문 리뷰] Causal Process Mining from Relational Databases with Domain Knowledge

Philipp Waibel, Lukas Pfahlsberger외 2명|arXiv (Cornell University)|2022. 02. 16.

Business Process Modeling and Analysis인용 수 8

한 줄 요약

이 논문은 관계형 데이터베이스 이벤트 데이터를 도메인 지식(외래 키 관계를 통해)을 활용해 인과적 이벤트 그래프(Causal Event Graphs, CEGs)로 변환하는 새로운 접근법인 인과적 프로세스 마이닝(Causal Process Mining, CPM)을 제안한다. 기존의 직접적 이어짐 그래프(Directly-Follows Graphs, DFGs)에서 흔히 발생하는 잘못된 관계를 방지함으로써 노이즈를 감소시키고 모델 정확도를 향상시킨다. 사례 연구를 통해 유럽의 식품 제조업체에서 CPM이 DFG 기반 방법보다 유효한 프로세스 흐름을 더 잘 포착하는 것으로 입증되었다.

ABSTRACT

The plethora of algorithms in the research field of process mining builds on directly-follows relations. Even though various improvements have been made in the last decade, there are serious weaknesses of these relationships. Once events associated with different objects that relate with a cardinality of 1:N and N:M to each other, techniques based on directly-follows relations produce spurious relations, self-loops, and back-jumps. This is due to the fact that event sequence as described in classical event logs differs from event causation. In this paper, we address the research problem of representing the causal structure of process-related event data. To this end, we develop a new approach called Causal Process Mining. This approach renounces the use of flat event logs and considers relational databases of event data as an input. More specifically, we transform the relational data structures based on the Causal Process Template into what we call Causal Event Graph. We evaluate our approach and compare its outputs with techniques based on directly-follows relations in a case study with an European food production company. Our results demonstrate the benefits for enriching process mining with additional knowledge from the domain.

연구 동기 및 목표

• 플랫 이벤트 로그와 직접적 이어짐 관계를 사용할 때 발생하는 표현 편향을 해결하기 위해, 특히 1:N 및 N:M 카디널리티 상황에서의 영향을 다루기.
• 다양한 상호작용하는 객체를 포함한 프로세스를 모델링할 때 DFG가 잘못된 관계, 자기 참조 루프, 뒤로 점프를 생성하는 한계를 극복하기.
• 관계형 데이터베이스의 인과적 도메인 지식—특히 외래 키 관계—를 프로세스 마이닝에 통합하여 모델의 정밀도를 향상시키기.
• 관계형 데이터 구조와 인과적 템플릿을 활용해 더 정확한 프로세스 모델을 생성하는 새로운 모델링 패러다임인 인과적 프로세스 마이닝(CPM)을 개발하기.
• 실제 산업 환경에서 DFG 기반 접근법과 비교하여 CPM의 효과성을 사례 연구를 통해 입증하기.

제안 방법

• 외래 키 제약 조건에서 유도된 도메인 특화 인과 관계를 코딩한 인과적 프로세스 템플릿(Causal Process Template, CPT)을 사용해 관계형 데이터베이스 이벤트 데이터를 인과적 이벤트 그래프(CEG)로 변환하기.
• 단일 케이스 로그로 단순화하지 않고, 객체 중심 트레이스로 프로세스 인스턴스를 모델링하여 이벤트와 관련된 비즈니스 객체 간의 관계를 유지하기.
• 다양한 추상화 수준에서 CEG를 군집화하여 집합적 인과적 이벤트 그래프(ACEG)를 구성함으로써 다수 수준의 프로세스 분석을 가능하게 하기.
• 그래프 데이터베이스를 사용해 CEG와 ACEG를 저장하고 질의함으로써 프로세스 인스턴스 간의 인과적 의존성 탐색을 효율적으로 수행하기.
• 펄의 계층 구조에서 유래한 인과 추론 원칙을 적용하여 모델링된 관계가 순수한 시간적 순서가 아니라 실제 인과적 의존성을 반영하도록 보장하기.
• 비교 분석을 통해 CPM 출력 결과를 DFG 기반 모델과 비교하고, 예기치 않은 관계 비율 및 시간적 위반 수와 같은 메트릭을 사용해 접근법을 검증하기.

실험 결과

연구 질문

• RQ1 복잡한 객체 카디널리티를 가진 관계형 데이터베이스에서, 인과적 프로세스 마이닝은 전통적인 직접적 이어짐 그래프 기법 대비 잘못된 관계를 얼마나 줄이는가?
• RQ2 특히 외래 키 관계를 포함한 인과적 도메인 지식은 관계형 이벤트 데이터에서 유도된 프로세스 모델의 정확도를 얼마나 효과적으로 향상시킬 수 있는가?
• RQ3 실제 산업 환경에서 인과적 프로세스 마이닝은 DFG 기반 접근법에 비해 더 해석 가능하고 정밀한 프로세스 모델을 생성할 수 있는가?
• RQ4 집합적 인과적 이벤트 그래프(ACEG)의 다양한 집계 수준은 프로세스 모델의 명확성과 정밀도에 어떤 영향을 미치는가?
• RQ5 시간 일관성(예: 시간적 위반)은 CPM 기반 방법과 DFG 기반 방법이 생성하는 모델의 품질에 어떤 영향을 미치는가?

주요 결과

• CPM은 잘못된 관계를 크게 감소시켰다: 사례 연구에서 세 번째 집계 수준에서 예상되는 관계 대비 예기치 않은 관계 비율은 DFG의 950.36%에서 CPM의 0.00%로 감소했다.
• Noreja 방법(DFG 기반 방법)은 '주문 배송 준비 → 주문 항목 픽킹 계획' 전이에서 427,634개의 예기치 않은 관계를 생성한 반면, CPM은 예기치 않은 관계를 0개로 생성했다.
• CPM 모델에서 대부분의 전이에서 시간적 위반 없는 관계 비율 대비 위반 있는 관계 비율은 100%였으며, 이는 높은 시간 일관성을 의미한다.
• CPM은 '배송 증명서 생성 → 그룹 배송 증명서 생성' 전이에서 예기치 않은 관계의 100%를 제거했으며, DFG 기반 Noreja 방법은 이 비율이 195,604.17%였다.
• CPM의 시간 위반 수는 극적으로 감소했다: 예를 들어 '배송 증명서 생성 → 그룹 배송 증명서 생성' 경로에서 CPM은 13건의 위반만 기록한 반면, DFG 기반 방법은 35,465건의 위반을 기록했다.
• CPM은 11개 전이 중 8개에서 잘못된 관계가 0%로 나타나 DFG 기반 모델에 비해 훨씬 뛰어난 정밀도와 인과적 타당성을 입증했다.