Autores

5520
Alexandre de Oliveira Ribeiro
2530,10
5521
2530,10

Informações:

Publicações do PESC

Título
Descoberta e Análise de Processos de Negócio Não Estruturados
Linha de pesquisa
Engenharia de Dados e Conhecimento
Tipo de publicação
Dissertação de Mestrado
Número de registro
Data da defesa
27/9/2013
Resumo

Um dos objetivos em todas as organizações é a melhoria de seus processos para redução de custos, retrabalho e variabilidade dos procedimentos de trabalho. A mineração de processos é uma área do conhecimento humano que visa extrair conhecimento a partir de um conjunto de registros de atividades de processos, permitindo às organizações um entendimento de seus processos de negócio. Entretanto, a seleção de um conjunto de dados que representam um processo pode ser uma tarefa desafiadora, pois nem todos os processos possuem estrutura rígida em seus fluxos de execução, e nem todas as entidades relacionadas ao processo, como pessoas, atividades e departamentos, estão descritas de maneira uniforme nestes dados.
Esta dissertação apresenta uma abordagem de descoberta de processos não estruturados focada no entendimento dos dados provenientes de execuções de processos suportados por sistemas de informação. Uma ferramenta foi desenvolvida para permitir a curadoria de dados presentes em registros de execução de processos através de um dicionário capaz de unificar todos os valores referentes a uma entidade. Esta ferramenta também é capaz de realizar uma busca exploratória para apoiar a seleção de registros de execuções relacionados a processos não estruturados, propondo uma linguagem gráfica para retornar instâncias de processos através de seus encadeamentos de eventos.

Abstract

One of the main goals in every organization is to enhance their core processes to reduce cost, rework and the variability. Process mining is an emerging subject area which aims to extract knowledge from a set of process execution logs, allowing organizations to have a better understanding of their processes. However, selecting a representative set of execution logs which represent a business process can be a challenging task. Not all business processes have a well-defined structure defining their execution flow. Besides, entities regarding those processes, such as people, activities or departments, are not always described uniformly in the process execution logs.
This dissertation presents a process mining approach focused on the understanding of the data present in those logs. A system was developed to allow the curation of data present in process execution logs, supported by a data dictionary capable of unifying multiple values referring to an entity. This system also supports the explorative search to select process execution logs related to unstructured processes, proposing a graphic language to retrieve process instances based on their activities flow.

Topo