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

• Autores: Alejandro Camargo
• Directores de la Tesis: Oscar Fernando Gonzalez Rojas (dir. tes.), Marlon Dumas (dir. tes.)
• Lectura: En la Universidad de los Andes (Colombia) ( Colombia ) en 2020
• Idioma: inglés
• Tribunal Calificador de la Tesis: Oscar Fernando Gonzalez Rojas (presid.), Jorge Muñoz Gama (presid.), Marlon Dumas (presid.)
• Enlaces
  • Tesis en acceso abierto en: hdl.handle.net
• Resumen
  • español

    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.

  • English

    For companies, changing a process can be costly and risky but necessary. And not doing it can affect its resources, environment, or continuity. One of the most used techniques to evaluate their processes is business process simulation (BPS). BPS allows creating hypothetical scenarios and assessing the consequences of their implementation in a virtual environment without taking the risks of failure in real life. Modifying the process components in the simulator allows the analysts to make assumptions such as "if you remove this, this could happen, or if you add this, this could happen." This ability is very convenient to support the decision-making process concerning potential changes. The problem with BPS is that creating and fitting a simulation model is a complex task that requires time and specialized technical knowledge. In addition, analysts usually create simulation models through interviews, observations, and sampling. All these techniques are highly prone to biases, which means that the precision of these manually created models is relatively inaccurate. In summary, the adoption of business process simulation is disappointing for many users. This thesis proposes new techniques for creating more accurate simulation models using event logs in conjunction with neural networks and process mining algorithms. The proposed methods require less human intervention, avoiding the drawbacks of the current process simulation approach. We consolidate the proposed techniques in two open-source tools. The first, called Simod, can fully automatically discover and fine-tune simulation models through process mining techniques. However, often falls short when predicting the timing of each activity. In response, the second tool called DeepSimulator combines process mining discovery techniques with deep learning models. This hybrid approach leads to simulations that more closely reflect the observed dynamics than methods based purely on process mining techniques.