Upload
marlon-dumas
View
1.126
Download
2
Embed Size (px)
DESCRIPTION
Charla sobre minería de procesos y reglas de negocio en el 1er Foro Colombiano de BPM organizado por la Universidad de los Andes (Bogotá), 29 de Noviembre 2013 - http://forosisis.uniandes.edu.co/bpm/1er-forodebpm/
Citation preview
Minería de procesos y de reglas de negocio
Gestión de procesos de negocio basada en evidencia
Marlon Dumas
Universidad de Tartu, Estonia
Con contribuciones de Wil van der Aalst, Marcello La Rosa y Fabrizio Maggi
ForoSIS, Universidad de los Andes
3 meses después
Principios de BPM(Michael Hammer)
1. Cualquier proceso es mejor que la ausencia de proceso
2. Un buen proceso es mejor que un mal proceso
3. Cualquier buen proceso se puede mejorar4. Todo buen proceso sin atención se
vuelve tarde o temprano un mal proceso
Tecnologías de monitoreo de procesos
Inteligencia de Procesos de Negocio
(BPI)
BAM Process Analytics
Reportes y dashboards
Minería de procesos
Analíticas de Proceso: Tableros
Process Frequencyof Order
Processing
Process Cycle Time
of Order Processing
Process Cycle Timeof Order Processingsplit up to different
Plants
IDS (2003)
7
Minería de ProcesosStart
Register order
Prepareshipment
Ship goods
(Re)send bill
Receive paymentContactcustomer
Archive order
End
Análisis de performas
Modelo de proceso
Modelo organizacional
Red social
Registro de
eventos
Slide by Ana Karla Alves de Medeiros
Herramienta(ProM, Disco, Aris PPM,
Perceptive Reflect)
8
Extracción de Modelos de ProcesoCID Task Time Stamp …
13219 Enter Loan Application 2007-11-09 T 11:20:10 -
13219 Retrieve Applicant Data 2007-11-09 T 11:22:15 -
13220 Enter Loan Application 2007-11-09 T 11:22:40 -
13219 Compute Installments 2007-11-09 T 11:22:45 -
13219 Notify Eligibility 2007-11-09 T 11:23:00 -
13219 Approve Simple Application 2007-11-09 T 11:24:30 -
13220 Compute Installements 2007-11-09 T 11:24:35 -
… … … …
Minería de procesosPropuesta de valor
Entender sus procesos como realmente son• No como se los imagina
Respaldar sus hipótesis con evidencias• No quedarse en intuiciones y creyencias
Cuantificiar el impacto de un rediseño• Antes y después
Minería de proceso¿Dónde se usa?
• Aseguranza– Suncorp Australia
• Salud– Hospital AMC, Holanda– Hospital de São Sebastião, Portugal– Hospital de Chania, Grecia– EHR Workflow Inc., USA
• Transporte– ANA Aeropuertos, Portugal
• Gobierno, financia, industria electrónica, …
¿Cómo ejecutar un proyecto de mineria de procesos?
• Método exploratorio– Descubir modelos– Visualizar performas sobre modelos– Descubrir variantes
• Método dirigido por preguntas– Comenzar por un problema– Descomponer en preguntas analizar
Metodo L* - Dirigido por pregunta
1. Planeación
2. Extracción y pre-procesamiento
3. Análisis de datos (minería)
4. Interpretación
Wil van der Aalst. “Process Mining”. Springer, 2012.
1. Planeación
• Determinar la pregunta, e.g.– Identificar y entender variaciones
(geográficas, por producto, temporales)– Diagnosticar performa (cuellos de
botella…)– Identificar causas raíz de defectos o
variaciones en performa• Definir la pregunta precisamente
– Métricas, criterios
Planeación – Case Suncorp
1. ¿Cuáles son las diferencias entre el procesamiento de demandas simples y demandas complejas?
2. ¿Cuáles son las diferencias entre demandas simples completadas a tiempo, y los demandas simples, lentas?
Suriadi Suriadi et al. “Understanding Process Behaviours in a Large Insurance Company in Australia”
2. Extracción y pre-procesamiento• Encontrar los datos
– Sistemas de informacion internos, SAP, Oracle (Celonis), sistema BPM en uso
– Organizar por trazas – Convertir en formato estándar (formato XES)
• Depurar– Filtrar variantes infrecuentes– Filtrar eventos no relevantes– Combinar eventos equivalentes
• Combinación de múltiples fuentes de datos
3. Análisis de registros de eventos
• Descubir modelos• Explorar caminos frecuentes / infrecuentes• Calcular métricas
– Tiempos de ciclo, tiempos de espera, porcentaje de errores
• Descubrir clases de casos– Clasificación de casos por performas
OK
OK Good
Not Ideal Expected Performance
Line
Caso Suncorp
Suriadi Suriadi et al. “Understanding Process Behaviours in a Large Insurance Company in Australia”
ResultadoIdentificacion de actividades asociadas con menores performas
Demandas simples, rápidas Demandas simples, lentas
Extracción discriminativa de modelos
Suriadi Suriadi et al. “Understanding Process Behaviours in a Large Insurance Company in Australia”
¿Y ESTO FUNCIONA SIEMPRE?
¡Aja!
Soluciones
• Filtrado del registro de eventos• Agrupamiento de trazas (trace clustering)• Abstracción del modelo resultante
– Tareas o caminos más frecuentes– Agregacón de subprocesos
• Extracción de reglas de interés
Agrupamiento de trazas
G. Greco et al., Discovering Expressive Process Models by Clustering Log Traces, TKDE, 2006
Abstracción por frecuencia“Fuzzy Miner” de ProM
Abstracción por subprocesos“Two-phase miner” de ProM
Bose, Veerbeck & van det Aalst: Discovering Hierarchical Process Models using ProM
Hospital de ChaniaModelo original
Pavlos Delias et al. Clustering Healthcare Processes with a Robust Approach
Hospital de ChaniaCaminos frecuentes
Pavlos Delias et al. Clustering Healthcare Processes with a Robust Approach
Hospital de ChaniaModelos por agrupamiento
Pavlos Delias et al. Clustering Healthcare Processes with a Robust Approach
Caso generalAgrupamiento de trazas
¿Queremos modeloso queremos entendimiento?
www.interactiveinsightsgroup.com
Extracción de reglas de negocio
Reglas de decisión• ¿Cómo se toman decisiones en diferentes puntos del
procesos?
Reglas descriptivas• ¿Cuándo y porqué se ejecuta una tarea?
Reglas discriminativas• ¿Cuándo y porqué terminamos con resultados
negativos?
31
CID Amount Installm Salary Age Len Task13210 20000 2000 2000 25 1 NR13220 25000 1200 3500 35 2 NE13221 9000 450 2500 27 2 NE13219 8500 750 2000 25 1 ASA13220 25000 1200 3500 35 2 ACA13221 9000 450 2500 27 2 ASA
… … … … … … …
Minería de Reglas de Decisión
Minador de Decisiones
installment > salaryor ….
installment ≤ salaryor …
amount ≤ 10000 or …
amount ≥ 10000or …
Minería de Reglas Descriptivas(DeclareMiner)
¡Oh no! ¡Otra vez arroz!
¿Qué pasó?
• No todas las reglas son interesantes• ¿Qué es “interesante”??
– No necesariamente lo que es frecuente– Sino lo que se desvía de lo que esperamos– Ejemplo:
• A todo paciente que es diagnoticado con condición X se le hace la cirugía Y
• Pero si previamente a sido diagnosticado con condición Z
Reglas interesantes
Algo que debía haber pasado “normalmente” no pasó, ¿por qué?
Algo que normalmente no había de haber pasado sucedió ¿por qué?
Algo sucede sólo en casos que terminan “bien”
Algo sucede sólo en casos que terminan “mal”
Ahora mejor…Minería de reglas con datos
Maggi et al. Discovering Data-Aware Declarative Process Models from Event Logs
Minería de reglas discriminativas
Bose and van der Aalst 2013
Conclusión
• Nueva generación de prácticas BPM badadas en evidencia
• Convergencia de Inteligencia Empresarial (BI) y BPM BPI
• Casos de estudio exitosos• Herramientas maduras• Marco metodológico
Table of Contents1. Introduction2. Process Identification3. Process Modeling4. Advanced Process Modeling5. Process Discovery6. Qualitative Process Analysis7. Quantitative Process Analysis8. Process Redesign9. Process Automation10.Process Intelligence
http://fundamentals-of-bpm.org
Más información
• http://processmining.org• Grupo “process mining” en Linkedin