Automated Discovery of Business Process Simulation Models From Event Logs: A Hybrid Process Mining and Deep Learning Approach

Para las empresas, cambiar un proceso puede ser costoso y arriesgado, pero necesario. Y no hacerlo puede afectar sus recursos, su entorno o su continuidad. Una de las técnicas más utilizadas para evaluar sus procesos es la simulación de procesos de negocio (BPS). BPS permite crear escenarios hipotéticos y evaluar las consecuencias de su implementación en un entorno virtual sin correr los riesgos de fallar en la vida real. Esta capacidad es muy conveniente para soportar el proceso de toma de decisiones sobre posibles cambios. El principal problema con BPS es que crear y ajustar un modelo de simulación es una tarea compleja que requiere tiempo y conocimientos técnicos especializados. Además, los analistas suelen crear modelos de simulación a través de entrevistas, observaciones y muestreo. Todas estas técnicas son muy propensas a sesgos, lo que implica que la precisión de los modelos producidos manualmente sea relativamente baja. En resumen, la adopción de la simulación de procesos comerciales es decepcionante para muchos usuarios. Esta tesis propone nuevas técnicas para crear modelos de simulación más precisos utilizando logs de eventos junto con redes neuronales y algoritmos de minería de procesos. Los métodos propuestos requieren menos intervención humana, evitando los inconvenientes del enfoque actual de simulación de procesos. Consolidamos las técnicas propuestas en dos herramientas de código abierto. La primera, llamada Simod, puede descubrir y ajustar modelos de simulación de forma completamente automática a través de técnicas de minería de procesos. Sin embargo, muchas veces se queda corta a la hora de predecir el momento de cada actividad. En respuesta, la segunda herramienta llamada DeepSimulator combina técnicas de descubrimiento de minería de procesos con modelos de aprendizaje profundo. Este enfoque híbrido conduce a simulaciones que reflejan más fielmente la dinámica observada que los métodos basados únicamente en técnicas de minería de procesos.

• Autores: Camargo Chavez, Manuel Alejandro
• Tipo de recurso: Doctoral thesis
• Fecha de publicación: 2022
• Institución: Universidad de los Andes
• Repositorio: Séneca: repositorio Uniandes
• Idioma: spa
• OAI Identifier: oai:repositorio.uniandes.edu.co:1992/56503
• Acceso en línea: http://hdl.handle.net/1992/56503
• Palabra clave: Business Process Simulation; Process Mining; Deep Learning; Data Driven Simulation
• Rights: openAccess
• License: https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf