[论文解读] Advances in Process Optimization: A Comprehensive Survey of Process Mining, Predictive Process Monitoring, and Process-Aware Recommender Systems

Anzalee Khan, Aditya Ghose+2 more|arXiv (Cornell University)|Jan 25, 2023

Big Data and Business IntelligenceBusiness, Management and Accounting被引用 3

一句话总结

本综述全面概述了面向流程的数据科学，重点聚焦流程挖掘、预测性流程监控以及流程感知推荐系统，以支持业务流程管理。通过整合历史日志、实时数据与机器学习技术，实现对流程优化与自动化的预测性洞察、诊断分析及处方建议。

ABSTRACT

Process analytics approaches allow organizations to support the practice of Business Process Management and continuous improvement by leveraging all process-related data to extract knowledge, improve process performance and support decision-making across the organization. Process execution data once collected will contain hidden insights and actionable knowledge that are of considerable business value enabling firms to take a data-driven approach for identifying performance bottlenecks, reducing costs, extracting insights and optimizing the utilization of available resources. Understanding the properties of 'current deployed process' (whose execution trace is often available in these logs), is critical to understanding the variation across the process instances, root-causes of inefficiencies and determining the areas for investing improvement efforts. In this survey, we discuss various methods that allow organizations to understand the behaviour of their processes, monitor currently running process instances, predict the future behavior of those instances and provide better support for operational decision-making across the organization.

研究动机与目标

• 提供面向流程的数据科学技术的全面概述，以支持业务流程管理（BPM）与持续改进。
• 识别并分析流程分析中尚未充分探索的领域，特别是在预测性监控与决策支持方面。
• 通过整合多样化数据源与智能决策能力，弥合传统流程挖掘与高级分析之间的差距。
• 突出自动化（包括RPA与基于搜索的优化）在实现主动流程改进中的作用。
• 将流程分析定位为组织的战略能力，以提升绩效、降低成本并实现数据驱动的决策。

提出的方法

• 采用流程挖掘技术，如流程发现、符合性检查与增强，从事件日志中逆向构建流程模型。
• 应用预测分析，利用历史与实时流程数据（包括周期时间、成本及案例完成概率）预测流程结果。
• 采用推荐系统，在流程执行过程中建议最优操作，如任务重排、资源分配与决策规则优化。
• 集成机器人流程自动化（RPA），以自动化用户与软件系统之间的重复性、规则化交互。
• 利用基于搜索的优化与机器学习（包括因果推断）技术，基于周期时间与成本等KPI识别改进机会。
• 结合领域知识与历史流程数据，为流程重构与实时运营决策生成处方建议。

实验结果

研究问题

• RQ1 流程分析技术如何从流程执行日志中提取可操作的洞察，以支持流程改进与决策？
• RQ2 预测性流程监控在预测流程结果与识别执行过程中的风险方面具备哪些关键能力？
• RQ3 流程感知推荐系统如何在动态、知识密集型流程中增强运营决策？
• RQ4 自动化流程改进（包括RPA与优化技术）在哪些方面可主动提升流程绩效？
• RQ5 集成的数据源（如事件日志、决策日志、资源配置日志）如何促进更全面的流程理解与优化？

主要发现

• 流程分析超越了传统流程挖掘，通过整合多样化数据类型（如决策日志与上下文数据），提供预测性、诊断性与处方性洞察。
• 预测性流程监控可实现对运行中流程实例潜在延迟或失败的早期检测，支持及时的管理干预。
• 流程感知推荐系统可通过基于历史最佳实践的建议，优化任务序列、资源分配或决策规则，从而改善流程结果。
• 利用基于搜索的优化与机器学习的自动化流程改进，可识别缩短周期时间、降低费用与提升资源利用率的机会。
• RPA的集成可实现业务流程中重复性、面向用户的任务自动化，尤其在传统自动化成本过高的场景中更具优势。
• 在流程执行期间应用因果机器学习模型，可通过推荐基于证据的治疗或路由决策，改善流程结果。