パフォーマンス特性

Process Mining アプリの応答時間は、さまざまな要因によって決まりますが、一般的には次の原則が成り立ちます。

Process Mining には、異なるパフォーマンス特性を持つ 2 つの領域があります。データを読み込むためのデータ実行と、データを表示するためのダッシュボードです。

開発データと運用データ

Process Mining では、プロセスアプリごとに開発ステージとパブリッシュ済みステージがあります。目的のアプリで大規模なデータセットが必要な場合は、データ変換とダッシュボードの開発に、小規模なデータセット (レコード件数が 1,000 万未満) を使用することをお勧めします。

開発データセットは、データ変換のテストに使用されます。パブリッシュ済みのプロセスアプリのダッシュボードに表示されるデータには影響しません。ビジネスユーザーがアプリを使用する準備が整ったら、アプリをパブリッシュして、パブリッシュ済みのプロセスアプリで使用する新しいデータを取り込むことができます。

一般的なシナリオは、開発に短い時間枠のデータセットを使用することです (たとえば、2 週間の時間枠で 100,000 個のイベントのみ)。パブリッシュ時には、より大きなデータセット (12 か月分など) を使用できます。

Process Mining のデータ実行は、以下のユースケースでトリガーされます。

データ実行は通常、以下の手順から成り、各手順にはそれぞれ異なるパフォーマンス特性があります。

データをアップロードする場合、ディスクにアップロードされたデータの全体的なサイズが速度にとって最も重要な要因です。詳しくは、「データを読み込む」をご覧ください。パフォーマンスに影響する要因は次のとおりです。

データ変換により、入力データを、ダッシュボードに必要なデータモデルに変更します。詳しくは、「データ変換」をご覧ください。

変換内の各 .sql ファイルは、追加の SQL クエリを実行します。データ変換の速度に影響する要因は次のとおりです。

データモデルによって、ダッシュボードに公開されるテーブルのセットが決まります。データ実行中にテストが実行され、データモデル内のこれらのテーブルの構造が検証されます。ただし、最も時間のかかる部分は、後でダッシュボードの表示を高速化するために行われる事前計算です。

この手順の全体的な速度は、次の要素によって決まります。

データ実行の最後の部分では、プロセスグラフを高速化するための事前計算を実行します。

[BPMN モデルをインポート] を使用してプロセスを表示する場合は、BPMN モデルの複雑さもパフォーマンスに影響します。アクティビティとエッジが多いほど、計算は遅くなります。

データのアップロード速度を向上させるには、データのサイズを必要最小限に抑えます。このアドバイスは、データのすべてのステージに適用されます。

このための最も簡単な方法は、通常、データ抽出に使用する期間を短くすることです。これにより、入力から変換、出力までの過程で、ほとんどのデータテーブルのレコード数が減ります。

早い段階でデータのサイズを縮小できるほど、効率が向上します。

さらに、実際に使用する列のみを読み込むように注意します。プロセスの早い段階で列を除外するほど、効率が向上します。

データ変換の計算とデータモデルが複雑になるほど、データ実行は遅くなります。複雑さを軽減することは困難な場合がありますが、データ実行の時間に大きな影響を及ぼすことができます。

一般に、ダッシュボードの読み込み時間は、グラフで使用されるデータの量と、計算されるメトリックの影響を受けます。

ダッシュボードが Process Mining に読み込まれるたびに、各グラフが並列に計算されます。グラフの読み込み速度に影響する要因は次のとおりです。

グラフに表示するメトリックの数。
各メトリックでは、メトリックを計算するために必要な結合サイズが重要です。結合サイズを判断するには、グラフをグループ化するために使用するテーブルに、メトリックのテーブルを組み合わせます。
- 2 つのテーブル間のリレーションの複雑さ
- データモデル内での 2 つのテーブル間の距離
使用するフィールドのデータ型。数値フィールドはテキストフィールドよりも高速です。
メトリック自体の複雑さ。メトリックが複数のフィールドに基づいている可能性があります。