Introdução

Quando um processo executa, especialmente com suporte de um BPMS (Business Process Management System), ele pode gerar dados que frequentemente se armazenam em logs. Esses logs registram o histórico de execuções de processos, indicando quando um processo iniciou, quais atividades executou, quando ocorreram, entre outras informações. No entanto, analisar esses dados para extrair conhecimento sobre os processos pode ser uma tarefa desafiadora. Entretanto, é exatamente isso que discutiremos hoje.

Histórico de Execução de Processos

Já abordamos anteriormente no blog a modelagem e execução de processos. No entanto, ao executarmos um processo, é importante considerar que podemos armazenar informações sobre ele; entretanto, essa execução pode ocorrer em cenários diferentes. Por exemplo, podemos ter um processo que não está bem definido e, nesse caso, queremos modelá-lo formalmente (AS-IS); por outro lado, podemos querer melhorar um processo já modelado (TO-BE). Se possuímos dados sobre a execução, podemos utilizá-los como base para realizar as melhorias desejadas. Uma forma eficiente de extrair conhecimento sobre esses dados é através da Mineração de Processos.

Podemos utilizar diferentes tipos de dados para a mineração de processos. Por exemplo, podemos coletar e usar os dados em tempo real, antes de um processo terminar efetivamente. Alternativamente, podemos coletá-los após o fim do processo. Nesse último caso, podemos usar os dados como base para melhorar processos futuros ou recomendá-los.

Mineração de Processos

Quanto mais capacidade de armazenamento e coleta de dados possuímos, mais dados coletamos. Porém, quanto maior a quantidade de dados, mais difícil fica de humanos conseguirem compreender e analisar os dados por conta própria. A mineração de dados pode ser utilizada para extrair de forma automatizada padrões dos dados, e nos ajudar a entender melhor seu comportamento (WITTEN e FRANK, 2005).

De forma análoga, empresas podem ter problemas em extrair conhecimento de um grande volume de dados de processos. Assim sendo, o objetivo da Mineração de Processos é utilizar logs de eventos para extrair informações relacionadas aos processos. Além disso, em geral, através da mineração de processos são aplicadas técnicas de mineração de dados sobre os logs de eventos para atingir objetivos específicos.

Diferentes Tipos de Mineração de Processos

Na literatura, são descritos diferentes objetivos de aplicação da mineração de processos (SAKR et al., 2018). Primeiramente, destacamos a “Descoberta do Processo” (Process Discovery), uma técnica na qual, a partir de um log de eventos, um algoritmo consegue automaticamente descobrir o modelo do processo. Por outro lado, a “Checagem de Conformidade” (Conformance Checking) busca comparar se a realidade das execuções dos processos (representada pelos logs de eventos) está em conformidade com o modelo de processo definido.

Além dessas técnicas, é importante destacar a “Reengenharia do Processo” (Business Process Reengineering – BPR), que visa reformular o processo a partir de necessidades detectadas através da mineração dos processos. Adicionalmente, o “Suporte Operacional” (Operational Support) desempenha um papel crucial, uma vez que analisa os dados, geralmente em tempo real, para identificar problemas ou possíveis recomendações visando a melhoria das execuções dos processos.

Conclusão

O tema Mineração de Processos pode parecer complexo à primeira vista, no entanto, cada vez mais empresas vêm utilizando essas técnicas não só para melhorar a modelagem dos processos, mas também para ter suporte operacional eficiente. Além disso, quando existe um grande volume de dados de processos (BPM & Big Data), utilizar a Mineração de Processos pode ser um caminho promissor para lidar com essa complexidade de forma estruturada e eficaz.

Referências

SAKR, S., MAAMAR, Z., AWAD, A., BENATALLAH, B., VAN DER AALST, W. M. (2018). Business process analytics and big data systems: A roadmap to bridge the gap. IEEE Access, 6, 77308-77320.

WITTEN, I. H., FRANK, E. (2005). Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann. Second Edition.