Sluit de lus

 
Sluit de lus
Hoe kun je de ‘lus’ van de Business Process Managementlevenscyclus sluiten, waar diepgaande analyse van bedrijfsprocessen ook het ontwerp, modelleren, controleren en uitvoeren van bedrijfsactiviteiten ondersteunt?
Bart Baesens, Seppe vanden Broucke, Jasmien Lismont, Jan Vanthienen
De afgelopen jaren heeft het concept Business Process Management (BPM) veel bekendheid verworven in de bedrijfswereld. BPM biedt een zeer brede aanpak met als doel de bedrijfsprocessen van een organisatie op één lijn te brengen met de wensen van elke belanghebbende. Een bedrijfsproces is in deze context een verzameling van gestructureerde, gerelateerde activiteiten of taken die uitgevoerd dienen te worden opdat een bepaald doel bereikt kan worden, zoals het produceren van een product of het leveren van een dienst. De betrokken partijen in de bedrijfsprocessen zijn onder andere managers (hier ook ‘proceseigenaars’ genoemd), die verwachten dat het werk snel en optimaal gedelegeerd wordt; werknemers, die duidelijke en begrijpelijke richtlijnen en taken wensen in lijn met hun eigen vaardigheden; en de klant die uiteraard efficiënte en kwaliteitsvolle resultaten verwacht van zijn leveranciers. Figuur 1 toont een voorbeeld van een ‘business process model’ voor een eenvoudig invoeringsproces van verzekeringsclaims. De Business Process Modeling Language standaard (BPMN) werd gebruikt om de stroom van activiteiten en taken te bepalen. Daarnaast bestaat er een overvloed aan andere modeleer- en visualisatievormen om bedrijfsprocessen te ontwerpen en modelleren: van stroomschema’s (bijvoorbeeld diagrammen) tot complexe, mathematische modellen.
Figuur 1. Voorbeeld van een ‘business process model’ voor een invoeringsproces van verzekeringsclaims.
 
BPM wordt vaak omschreven als een procesoptimalisatiemethodologie en wordt dus regelmatig in één adem genoemd met kwaliteitscontroletermen als Total Quality Management (TQM), Six Sigma of Continuous Process Improvement-methodologieën. Deze omschrijving schiet echter enigszins te kort. Een belangrijk richtpunt van BPM is inderdaad een reële verbetering en optimalisatie van processen, maar het concept bevat ook best practices voor het ontwerpen en modelleren van bedrijfsprocessen, voor controletechnieken (bijvoorbeeld conformiteitsvereisten) en voor het verkrijgen van inzichten door de toepassing van analytische tools op de geregistreerde bedrijfsactiviteiten. Al deze activiteiten worden gegroepeerd onder de noemer Business Process Management Lifecycle (figuur 2) . Deze cyclus start met het ontwerp en de analyse van de bedrijfsprocessen (modellering en validatie), gevolgd door de configuratie (implementatie en testen), de bekrachtiging (uitvoering en controle) en uiteindelijke de evaluatie die opnieuw leidt tot het ontwerp van nieuwe processen. In dit artikel geven we een overzicht van de moderne Business Process Analytics-technieken. We starten met de evaluatiestap van de BPM-levenscyclus, omdat het voornamelijk in deze fase is dat concepten zoals Business Process Analytics en Process Intelligence de afgelopen jaren hun stempel op de huidige analytische omgeving drukten. Toen de methodologie van BPM zich verder ontwikkelde, begonnen vele leveranciers procesbewuste query’s, rapportering en OLAP-supporttools aan te bieden.
Verder belichten we in dit artikel ook de nieuwe, voorspellende analytisch geïnspireerde technieken, om Business Process Analytics dichter bij het onderzoeksdomein van Data Mining en Machine Learning te brengen en gebruikers dus toe te staan verder te gaan dan enkel rapporten vanuit het standpunt van de gebruiker. Bovendien helpen deze moderne technieken ook de ‘lus’ van de BPM-levenscyclus te sluiten, waar diepgaande analyse van bedrijfsprocessen ook het ontwerp, modelleren, controleren en uitvoeren van bedrijfsactiviteiten ondersteunt.
Figuur 2. De Business Process Management Lifecycle.1
 
Process Intelligence
We vertelden al dat de ideeën van Business Process Analytics en Process Intelligence zich oorspronkelijk situeerden in de evaluatiefase van de BPM-levenscyclus. Dit betekent dat ze dus vooral de nadruk legden op rapportering en analytische taken na het ontwerp en de uitvoering van het model. Net zoals met Business Intelligence (BI) in het algemeen, heeft Process Intelligence zich echter geëvolueerd tot een breder concept dat een diversiteit van tools en technieken bevat. Door de informatie die het tegenwoordig kan bieden, ondersteunt Process Intelligence dus ook het management in het nemen van beslissingen.
Op die manier gebruiken vele leveranciers en consultants – net als met traditionele (‘vlakke’ of tabel) datageoriënteerde tools – Process Intelligence als synoniem voor procesbewuste query-en rapporteringtools (vaak gecombineerd met voor de hand liggende visualisaties) om de geaggregeerde overzichten van bedrijfsacties te illustreren. Vaak presenteert een bepaald systeem zichzelf als een nuttige tool voor procesevaluatie door kritieke prestatie-indicatoren (KPI)2, dashboards en scorekaarten aan te bieden. Ze presenteren dan als het ware een ‘gezondheidsrapport’ voor een bedrijfsproces. Soms worden zulke tools ook gepresenteerd als controle- en verbeteringstools (waarbij een andere fase in de BPM-levenscyclus aangestipt wordt), zeker wanneer ze beschikken over realtime capaciteiten in vergelijking met batchrapportering, waar de verzameling en voorbereiding van rapporten pas volgt (lang) na de werkelijke procesuitvoering. Vele procesbewuste informatiesupportsystemen bieden ook Online Analytical Processing (OLAP)-tools aan zodat je multidimensionele data van verschillende perspectieven kunt bekijken en kunt inzoomen op gedetailleerdere informatie. Een andere term die veel voorkomt in de Process Intelligence context is Business Activity Monitoring (BAM), wat verwijst naar het in realtime controleren van bedrijfsprocessen, waarbij het dus gerelateerd is aan de hierboven vermelde realtime dashboards, maar verder ook vaak in staat is om onmiddellijk te reageren wanneer een proces een bepaald patroon vertoont. Corporate Performance Management (CPM) is nog een ander modewoord voor het meten van de performantie van een proces of van een organisatie in zijn geheel. Alhoewel al de beschreven tools (en al hun drieletterige acroniemen) een zeer goede manier zijn om vele aspecten van bedrijfsactiviteiten te meten en ‘queryen’, hebben de meeste tools jammer genoeg problemen met het blootleggen van werkelijke inzichten en betekenisvolle, ontluikende patronen. Ondanks het feit dat rapporteren, queryen, inspecteren van dashboardindicatoren, aggregeren, slicing, dicing en drilling allemaal legititme en redelijke tools zijn voor operationeel management, hebben ze – net zoals voor niet-procesgerelateerde datasets – allemaal weinig van doen met echte Process Analytics, waarbij de nadruk vooral ligt op het analytische. Het grote probleem ligt bij het feit dat zulke tools inherent veronderstellen dat gebruikers en analisten al weten waarnaar ze zoeken, aangezien het schrijven van queries om indicatoren uit af te leiden, veronderstelt dat men deze interessante indicatoren al op voorhand kent. Patronen die alleen ontdekt kunnen worden door echte analytische technieken toe te passen, blijven verborgen. Sterker nog, wanneer een rapport of indicator een probleem signaleert, moeten de gebruikers op zoek naar een speld in een hooiberg om de oorspronkelijke reden achter het probleem terug te vinden, startend bij de geaggregeerde data vanwaar men zich langzaamaan naar de brondata werkt.
Vanwege de nadelen van traditionele rapportering tools is er een grote behoefte om verder te gaan dan voor de hand liggende rapportering in de moderne bedrijfsprocessen en moet je starten met een diepgaande analyse direct toegepast op de overvloed aan data die gelogd, geregistreerd, opgeslagen en meteen beschikbaar zijn in moderne informatiesupportsystemen. Dit brengt ons bij de discipline van Process Mining, dat als doel heeft analisten te voorzien van werkelijke Business Process Analystics-technieken.
Process Mining
In het afgelopen decennium heeft zich een nieuw onderzoeksdomein ontwikkeld: Process Mining. Het positioneert zich tussen BPM en traditionele Data Mining.3 Deze discipline heeft als doel een begrijpelijke set van tools aan te bieden om te voorzien in voor het proces centrale inzichten en om procesverbeteringsinitiatieven te drijven. In tegenstelling tot Business Intelligence-methoden benadrukt dit onderzoeksdomein een bottom-up aanpak waarbij men start van de werkelijke data om analytische taken aan te sturen. Process Mining bouwt verder op bestaande technieken, zoals Data Mining, Business Intelligence en modelgedreven ontwerpmethodologieën. Maar het is meer dan gewoon een som van deze componenten. Traditionele Data Mining technieken zijn te gericht op data op zich om een eenduidig begrip te kunnen bieden van de gehele processen in een organisatie. Business Intelligence-tools zijn te veel gericht op simpele dashboards en rapportering. Het is exact deze leegte die opgevuld wordt door Process Mining-tools.
Process Discovery
De bekendste taak binnen het domein van Process Mining wordt Process Discovery genoemd. Hierbij proberen analisten een procesmodel te ontwikkelen van de bestaande situatie. Daarbij neginnen ze bij de data zoals deze geregistreerd zijn in procesbewuste informatiesupportsystemen, in plaats van dat ze beginnen bij een beschrijvend model en vervolgens proberen de werkelijke data in lijn te brengen met dit model. Een significant voordeel van Process Discovery is dat slechts een beperkte hoeveelheid van de initiële data vereist is om al een eerste exploratieve analyse uit te voeren. Bekijk bijvoorbeeld eens het schadeclaiminvoeringsproces in figuur 1. Om een Process Discovery-taak uit te voeren, starten we onze analyse met een zogenaamde ‘eventlog’: een geregistreerde datatabel die alle activiteiten op een rij zet die werden uitgevoerd gedurende een periode, samen met het geval (de procesinstantie) waarbij de activiteiten behoren. Figuur 3 toont een fragment van een eventlog.
Figuur 3. Een eenvoudige eventlog. Activiteiten zijn gesorteerd volgens starttijd. Merk op dat verscheidene procesinstanties op hetzelfde moment geactiveerd kunnen worden. Merk ook op dat de uitvoering van sommige activiteiten kan overlappen.

Gebaseerd op werkelijke data zoals deze gesorteerd is in opslagplaatsen van de eventlog, is het mogelijk om een ‘as-is’ procesmodel af te leiden. Dat biedt een overzicht van hoe het proces in werkelijkheid uitgevoerd was in plaats van te starten – en te moeten starten – met een to-be procesmodel zoals het hoort te zijn. Hiervoor dienen de activiteiten gesorteerd te worden op basis van hun starttijd. Vervolgens gaat een algoritme herhaaldelijk over alle procesinstanties en creëert ‘stromingen van werk’ tussen de activiteiten, die als volgt samengevat kunnen worden. Activiteiten die elkaar direct opvolgen (geen overlap tussen starttijd en eindtijd) worden in een volgorde gezet. Wanneer dezelfde activiteit gevolgd wordt door verschillende activiteiten over verscheidene procesinstanties, wordt een verdeling gecreëerd. Wanneer twee of meer uitvoeringen van activiteiten overlappen in tijd, worden ze parallel uitgevoerd en starten ze dus vanuit een gemeenschappelijke voorganger. Uiteindelijk kan diverse informatie genoteerd worden op de procesmap, zoals frequentie van uitvoering van een activiteit of prestatiegebaseerde informatie, zoals gemiddelde uitvoeringstijd. Merk overigens op dat visualisaties zoals deze – samen met degelijke filtercapaciteiten – een uitstekende manier bieden om een exploratieve analyse uit te voeren, zodat knelpunten, afwijkingen van het proces en uitzonderingen bepaald kunnen worden, vergeleken met wanneer je moet werken met op vlakke data gebaseerde tools (bijvoorbeeld analyseren van de originele eventlog-tabellen met spreadsheetsoftware). Merk ook op dat we zowel een analytische stap (de extractie van een as-is procesmodel) en een rapporteringstap (het tonen van verschillende metrieken bovenop het geëxtraheerde proces) vermeld hebben.
Er bestaan ook andere proces discovery tools om andere vormen van procesmodellen te extraheren. Het Alpha-algoritme bijvoorbeeld werd door prof. Van der Aalst naar voren gebracht als een van de eerste formele methoden om procesmodellen te extrageren die split/join-semantics5 bevatten. Dit discovery-algoritme probeert expliciet te ontdekken welke taken parallel voorkomen. In de procesmap in figuur 4 zijn alleen de meest oppervlakkige ‘stromen’ tussen activiteiten getekend. Dat levert een degelijk, geaggregeerd overzicht op de processen. Maar het kan ook meer specifiek gemaakt worden, bijvoorbeeld om meer op het originele model in figuur 1 te lijken.
 
Conformance checking
Process Discovery is niet de enige taak die onder Process Mining valt. Een specifieke andere analytische taak is Conformance Checking. Deze heeft als doel de geregistreerde eventlog te vergelijken met een procesmodel dat ofwel ontdekt ofwel gegeven is. Zo kun je snel afwijkingen en conformiteitproblemen identificeren en lokaliseren.
Bekijk opnieuw onze eventlog. Wanneer we deze ‘herspelen’ op een voorgeschreven model (dat in een eerdere fase ontdekt kan zijn geweest), dan zien we meteen enkele afwijkingen. Figuur 4 toont het resultaat na het herspelen van de procesinstantie Z1004. Zoals u ziet ontstaat er een conformiteitschending gedurende de uitvoering van de ‘Propose settlement’-activiteit wegens een niet-uitgevoerde maar verwachte ‘Evaluate claim’-activiteit die het voorstel voor een akkoord moet voorafgaan. Na de conformiteitschending kunnen de volgende taken uitgevoerd worden op een normale manier, maar ze worden wel als ‘onzeker’ gemarkeerd. Zoals uit dit voorbeeld blijkt, bieden Conformance Checking-gerelateerde technieken een sterke en directe methode om originele oorzaken achter afwijkingen en conformiteitproblemen in bedrijfsprocessen bloot te leggen, zodat je tijdig kunt reageren op zulke afwijkingen.
 
 
Figuur 4. Resultaat na het uitvoeren van Conformance Checking tussen de eventlog en het voorgeschreven procesmodel. Een conformiteitschending werd gevonden in de procesinstantie Z1004, aangezien de vereiste activiteit ‘Evaluate claim’ ontbreekt in de eventlog.
 
Additionele taken
Tot zover ons overzicht van Process Mining en zijn meest voorkomende taken. Er zijn nog diverse andere analytische taken. De volgende lijst somt enkele voorbeelden op:
• Conformiteitscontrole, waarbij je bepaalde eigenschappen die onderworpen zijn aan strikte regels verifieert. Bijvoorbeeld in een auditing context: verifiëren of het ‘vierogenprincipe’ correct was toegepast.
• Het in rekening nemen van additionele data, naast geval identificatiedata, de namen van de activiteiten en tijdseenheden. Bijvoorbeeld door informatie op te nemen over de werknemers die de taken hebben uitgevoerd.
• Combineren van Process Mining met Social Analytics, bijvoorbeeld om sociale netwerken af te leiden die verklaren hoe mensen samenwerken.
• Het combineren van Process Discovery met simulatietechnieken om ‘wat als’-experimenten te herhalen en de impact van het toepassen van verandering in een proces te voorspellen. Hoewel Process Mining vooral uit descriptieve taken bestaat, bijvoorbeeld het verkennen en onttrekken van patronen, bestaan er ook technieken die managers ondersteunen in voorspellende analyse. Eén interessant domein is de voorspelling van de duur van procesinstanties die nog moeten starten door leerpatronen van historische data te gebruiken. Andere methoden combineren Process Mining met meer traditionele Data Mining-technieken, die in de volgende sectie beschreven worden.
De lus sluiten
Het grootste verschil tussen Business Process Analytics (waaronder Process Mining) en Data Analytics is dat Business Process Analytics op twee niveaus van aggregatie werkt. Op het onderste niveau vinden we de diverse gebeurtenissen gerelateerd aan bepaalde activiteiten en andere additionele attributen. Door deze gebeurtenissen te sorteren en groeperen op basis van gevalidentificaties – zoals gedaan wordt in Process Discovery – wordt het mogelijk om een beeld te krijgen waarin de processen centraal staan. Daarom hebben vele Process Mining-technieken zich voornamelijk op dit ‘procescentrale beeld’ geconcentreerd en niet op het produceren van informatie op granulariteit van de gebeurtenissen. Vandaar dat wij analisten sterk adviseren een geïntegreerde aanpak te volgen door het combineren van deze procescentrale technieken met andere Data Analytics. We tonen enkele gevalstudies die beschrijven hoe je dit kunt doen door Business Process Analytics met clustering en voorspellende beslissingsbomen – twee Data Mining-technieken – te combineren.
We nemen het voorbeeld van een procesmanager die probeert om Process Discovery toe te passen met als doel een complex en flexibel bedrijfsproces (figuur 5) te bestuderen. Werknemers krijgen verschillende vrijheidsgraden om bepaalde taken uit te oefenen, met veel flexibiliteit in de ordening van de activiteiten. Zulke processen bevatten veel variabiliteit; Process Discovery-technieken leiden tot zogenaamde ‘spaghettimodellen’. Dit is duidelijk een ongewenst scenario. Hoewel het mogelijk is om niet-frequente paden of activiteiten eruit te filteren, kun je er toch voor kiezen om een goed overzicht te verkrijgen over hoe mensen hun toegekende werk uitvoeren zonder dat je infrequent gedrag verbergt dat zowel problematiek als zeldzame gevallen naar voren kan brengen. Want dit infrequent gedrag kan eventueel ook mogelijke optimalisatiestrategieën aanbrengen over hoe je met bepaalde taken kunt omgaan die nog niet veelvoorkomend zijn. Dit is een belangrijk punt om in gedachten te houden voor elke analytische taak: het extraheren van zeer frequente patronen is cruciaal om een goed overzicht te krijgen en om de belangrijkste conclusies af te leiden. Maar nog belangrijker is het analyseren van datasets gebaseerd op de impact van patronen, hetgeen betekent dat infrequente paden toch cruciale kennis kunnen blootleggen.
Figuur 5. Grotere complexe eventlogs kunnen geclusterd worden in verschillende sublogs. De geëxtraheerde procesmodellen bieden een overzicht over de verschillende gedragstypes in data die gemakkelijker te begrijpen zijn. De laatste cluster in deze figuur bevat alle procesinstanties die niet in een van de eenvoudigere clusters bevat konden worden en die dus beschouwd kunnen worden als een restcategorie die alle infrequente en zeldzame procesvarianten bevat.
 
Er zijn clustertechnieken om spaghettimodellen in meerdere kleinere modellen op te delen, die allemaal een bepaalde groep van gedragingen inhouden en daarom meer begrijpelijk zijn.6 Op deze manier wordt de complexe eventlog verweven met gedrag, verdeeld in kleinere, meer begrijpelijke logs met de geassocieerde ontdekte procesmodellen, zoals geïllustreerd in de eerste stap van figuur 5.
Na de creatie van de groep clusters is het mogelijk om ze verder te analyseren en om de correlaties af te leiden tussen de cluster waarin een instantie geplaatst was en zijn karakteristieken. Het is bijvoorbeeld de moeite waard om procesinstanties in de ‘restcluster’ te onderzoeken en te bekijken of deze instanties significant verschillende looptijden (langer of korter) hebben dan de frequente instanties. Aangezien het nu mogelijk is om elke procesinstantie te labellen op basis van de clustering, kunnen we ook een voorspellende analyse toepassen om een voorspellend classificatiemodel voor nieuwe, toekomstige procesinstanties te bouwen, gebaseerd op de attributen van het proces wanneer het gecreeerd is. Een beslissingsboom kan bijvoorbeeld geëxtraheerd worden, zodat je de cluster kunt voorspellen waaraan een bepaalde instantie het meeste gelinkt. Op deze manier kun je de verwachte looptijd, het gevolgde pad van activiteiten en andere voorspellende informatie (stap 2 en 3 in figuur 6) voorspellen. Managers kunnen deze informatie toepassen om een efficiënte verdeling van de werklast te organiseren. Door voorspellende analyses te combineren met Business Process Analytics, is het mogelijk om een ‘volledige cirkel’ te vormen als je analytische taken toepast in de context van een bedrijfsproces. De omvang van deze toepassingen blijft niet alleen beperkt tot het beschreven voorbeeld. Gelijkaardige technieken zijn bijvoorbeeld ook toegepast op:
• Het extraheren van de criteria om te bepalen hoe een procesmodel in een bepaald beslissingspunt zal vertakken.7
• Het combineren van het clusteren van proces instanties met text mining.8
• Het suggereren van de optimale route voor een proces om te volgen tijdens zijn uitvoering.9
• Het aanraden van optimale werknemers om een bepaalde taak uit te voeren.10
Conclusie
In dit artikel hebben we geprobeerd om een beknopt maar grondig overzicht te bieden van de huidige staat van Business Process Analytics-technieken: van Business Intelligence-rapporteringtools tot Process Mining-technieken en een gecombineerde aanpak waarin Business Process Analytics samenvloeit met Data Mining. Op deze manier verklein je de leegte tussen traditionele voorspellende analytics en de data uit procesbewuste supportsystemen. Tot slot willen we de aandacht vestigen op het feit dat deze geïntegreerde aanpak niet alleen gebruikers en analisten in staat stelt ‘de lus te sluiten’ wat betreft de verzameling van technieken die toegepast wordt (Business Process Analytics, Process Mining en Data Mining), maar ook om actief voortdurende analysepraktijken te integreren met alle fasen van de BPM-levenscyclus. Dit in tegenstelling tot wanneer je beperkt bent tot post-hoc exploratieve onderzoeken gebaseerd op historische, gelogde data. Op deze manier wordt procesverbetering werkelijk een continue inspanning die proceseigenaren in staat stelt verbeteringen te implementeren op een tijdige en snelle manier, in plaats van te vertrouwen op ontijdige cyclussen van rapportering, analyse en herontwerp.
 
Prof. dr. Bart Baesens is associate professor aan de KU Leuven en docent aan de University of Southampton. Hij deed uitgebreid onderzoek naar voorspellende analytics, data mining, web analytics, fraudedetectie en creditriskmanagement. Zijn bevindingen zijn gepubliceerd in bekende internationale journals en gepresenteerd op internationale conferenties. E-mail: bart.baesens@kuleuven.be
 
Seppe vanden Broucke ontving een masterdiploma in Toegepaste Economische Wetenschappen: handelsingenieur in de beleidsinformatica aan de KU Leuven. Hij is PhD-onderzoeker aan het Department of Decision Sciences and Information Management aan de KU Leuven. Hij werkt in onderzoeksdomeinen zoals business process mining and management, data mining en event sequence analysis. E-mail: seppe.vandenbroucke@kuleuven.be
 
Jasmien Lismont volgt de masteropleiding Toegepaste Economische Wetenschappen: Handelsingenieur in de Beleidsinformatica aan de KU Leuven. Gedurende haar stage aan het Department of Decision Sciences and Information Management aan de KU Leuven verdiepte zij zich in het onderzoeksdomein van process mining. Haar meesterproef kadert binnen dit domein en meer bepaald binnen process discovery, waar zij de theorie aan de business wil koppelen in een uitgebreide case study. E-mail: jasmien.lismont@student.kuleuven.be
 
Prof. dr. Jan Vanthienen ontving zijn doctoraat in Toegepaste Economie aan de KU Leuven. Hij is Full Professor of Information Systems aan het Department of Decision Sciences and Information Management, KU Leuven. Hij is de auteur en co-auteur van verscheidene papers gepubliceerd in internationale journals en conference proceedings. Zijn huidige onderzoeksinteresses zijn onder andere information and knowledge management, business intelligence and business rules, en information systems and design. E-mail: jan.vanthienen@kuleuven.be
 

1 M. Weske, Business Process Management: Concepts, Languages, Architectures, Springer-Verlag, 2007.

[2] C. T. Fitz-Gibbon, Performance indicators, BERA Dialogues (2), ISBN 978-1-85359-092-4, 1990.
[3] W. M. P. van der Aalst, Process Mining: Discovery, Conformance and Enhancement of Business Processes, Springer Verlag, 2011.
[4] Fluxicon: Disco. Zie: http://fluxicon.com/ disco/
[5] W. M. P. van der Aalst, A. J. M. M. Weijters, L. Maruster, Workflow mining: discovering process models from eventlogs, IEEE Transactions on Knowledge and Data Engineering, 16(9), 1128–1142, 2004.
6 J. De Weerdt, S. vanden Broucke, J. Vanthienen, Baesens, B, Active trace clustering for improved process discovery, IEEE Transactions on Knowledge and Data Engineering, e-pub, 2013.
[7] A. Rozinat, W. M. P. van der Aalst, Decision Mining in ProM, Business Process Management 2006: 420-425, 2006.
[8] J. De Weerdt, S. vanden Broucke, J. Vanthienen, B. Baesens, Leveraging process discovery with trace clustering and text mining for intelligent analysis of incident management processes, Congress on Evolutionary Computation (CEC), 2012.
[9] M. Pesic, H. Schonenberg, W. M. P. van der Aalst, DECLARE: Full Support for LooselyStructured Processes, Enterprise Distributed Object Computing Conference, 2007.
[10] A. Kim, J. Obregon, J. Y. Jung, Constructing Decision Trees from Process Logs for Performer Recommendation, DeMiMop’13 workshop of the BPM 2013 conference, 2013.

Tag

BPM

Onderwerp



Niet gevonden? Vraag het de redactie!

Heeft u het antwoord op uw vraag niet gevonden, of bent u op zoek naar specifieke informatie? Laat het ons weten! Dan zorgen we ervoor dat deze content zo snel mogelijk wordt toegevoegd, of persoonlijk aan u wordt geleverd!

Stel uw vraag