Pré-processamento para mineração de processos : técnicas para simplificação automática de logs de eventos

Abstract

Nos últimos anos, desenvolveu-se uma disciplina denominada mineração de processos, cujo objetivo é ajudar a descobrir e analisar processos de negócios através da exploração de informações não triviais oriundas de sistemas de informações (logs de eventos). A mineração de processos vem avançando rapidamente, mas ainda existem importantes desafios que influenciam no seu resultado. Um dos desafios é lidar com diferentes níveis de granularidade nos eventos registrados. Em certas circunstâncias, deseja-se visualizar o processo em um nível de abstração diferente do modelado. Contudo, no atual cenário da mineração de processos, essa transformação precisa ser realizada no pré-processamento dos dados, sendo custosa e exigindo conhecimento abrangente sobre o negócio. Conduzimos estudos exploratórios que nos permitiram identificar meios de alterar a granularidade dos eventos e propusemos duas abordagens para este fim. As abordagens propostas transformam automaticamente os logs de eventos através do agrupamento de eventos de atividades afins. Com isso, proporcionam uma visão alternativa para o processo e uma significativa redução de tamanho dos logs de eventos. Outro problema tratado nesta tese diz respeito à incidência de atividades recorrentes nos logs de eventos. Estas atividades ocorrem em diversas fases do processo (contextos de negócio), propiciando modelos mais difíceis de interpretar. Propusemos uma abordagem de pré processamento de log de eventos que identifica e trata as atividades recorrentes. O tratamento consiste em desmembrar as atividades recorrentes a partir dos contextos de negócios aos quais as atividades estão vinculadas. Os estudos conduzidos mostraram que os modelos de processos descoberto a partir de logs de eventos transformados pelas abordagens propostas apresentaram qualidade superior no tocante ao fitness, bem como em algumas medidas de simplicidade. Cabe ressaltar que todas as abordagens dessa tese de doutorado foram avaliadas através de estudos com logs de eventos reais.