プロセス モデルを検出

はじめに

プロセスを検出すると、プロセスの構造をより深く理解することができます。確率的帰納的マイナー (PIM) と呼ばれる高度なプロセス マイニング手法は、イベント ログ全体を分析することで、並列に発生するアクティビティ、意思決定の一部であるアクティビティ、またはより複雑なループの一部であるアクティビティを自動的に識別します。これにより、タスクのさまざまな実行方法とその発生頻度を考慮しながら、プロセスが実際にどのように展開されるかを柔軟かつ現実的に表現できます。これは、プロセスが常に厳密に定義された方法で実行されるとは限らない複雑な環境で特に役立ちます。

プロセス アプリを作成するときに、Process Mining の種類として [ プロセス モデルを検出 ] を選択できます。詳しくは、「 新しいアプリの作成ウィザード 」をご覧ください。

アルゴリズム

PIM アルゴリズムは、イベント ログ内のアクティビティのセットを再帰的に小さなサブセットに分割し、アクティビティを 1 つだけ残すことで機能します。次に、毎回、これらのサブセット間の最適な関係を見つけようとします。プロセスの構造と動作を定義するこれらの関係は、プロセス セマンティクスと呼ばれます。

PIM は、次の再帰的な段階で機能します。

1. 直接フォロー プロセス モデル Inductive Miner はまず、イベント ログ内でアクティビティが互いにどのように続くかを示す Directly Follows プロセス モデルを構築します。
2. カット検出: 切断検出ステップでは、インダクティブマイナーはプロセスを2つの部分に分割し、オペレーターがこれらの部分間の関係を説明できるようにします。演算子は、カットの 2 つの半分の間の "シーケンス"、"排他的選択"、"並列処理"、または "ループ" 関係を表します。
3. ログ分割: このステップでは、Inductive Miner は cut からの分割をイベント ログに適用し、両方の半分のアクティビティを個別のイベント サブログに分離します。次に、アルゴリズムはこれらのサブログから新しい直接フォロー プロセス モデルを作成し、カットを検出して分割するプロセスを再帰的に繰り返します。ただし、再帰に進む前に、アルゴリズムはいくつかの基本ケースを確認します。たとえば、サブログにアクティビティが 1 つしか含まれていない場合、それ以上のカットを検出できないため、再帰は停止します。

切り口検出

カット検出ステップは、確率的帰納的マイナーの中核をなすものです。PIM は、アクティビティのペアごとに 0 から 1 までの動作スコアを計算し、アクティビティ間の動作の強さを示します。これらのスコアは、直接フォロー プロセス モデル データの頻度から導出されます。PIM は、シーケンス、排他選択、並列処理、およびループ動作を区別します。

次に、PIMは切断検出の確率を計算します。これらの確率は、カットハーフ間のアクティビティペアスコアの平均に基づいています。PIMは、考えられるすべての分割を検討して最適なオプションを選択するのではなく、最も確率の高いカットを直接特定します。

例

次のイベント ログと、それに付随する Directly follow プロセス モデルについて考えてみます。

<A, D, E>12 <A, B, C, E>5 <A, C, B, E>3

PIM は、アクティビティのすべてのペアについて、次の シーケンス 動作スコアを計算します。常にAから始めるため、Aから他のすべてのアクティビティまでのスコアは高くなります。常にEで終わるため、すべてのアクティビティからEまでのスコアは高くなります。

シーケンス スコア	A	B	C	D	E
A	-	0.88	0.88	0.92	0.95
B	0	-	0.22	0	0.88
C	0	0	-	0	0.88
D	0	0	0	-	0.92
E	0	0	0	0	0

次の段階では、PIM は両方のシーケンスが分割 (A |B, C, D, E) と (A, B, C, D |E) は同等に確率が高く、そのうちの 1 つを選択します。分割はイベント ログに適用され、分割について再帰的に分析される 2 つの小さなイベント ログが作成されます。最後に、PIM は B と C の間の並列関係と D との選択関係を識別します。次の図は、得られた結果を示しています。