فرآیندکاوی (Process Mining)

امروزه با افزایش یکپارچه سازی سیستم های اطلاعاتی در سازمان های فرآیند مدار، بستری برای رویکردهای جدید تحلیل داده فراهم شده است. فرآیندهای کسب وکار روز به روز پیچیده تر مي شوند و به موازات آن سیستم های اطلاعاتی سازمان وظیفه اجرای مکانیزه ی تراکنش های مرتبط با کسب و کار را دارند. هدف هوش تجاری فراهم سازی روش ها و ابزارهای تحلیل داده به منظور بهبود فرآیندهای تصمیم گیری است. فرآیندکاوی همانند یک پل، رشته های داده کاوی، هوش تجاری و مدیریت فرآیندهای کسب وکار را با هم مرتبط مي سازد. فرآیندکاوی راه های تازه ای برای بهینه سازی فراوانی داده ها در شرکت ها فراهم می کند. فرآیندکاوی مجموعه ای از ابزارهای بدیع برای کشف فرآیندهای حقیقی، تشخیص انحرافات از برخی از فرآیندهای اصولی و تحلیل گلوگاه ها و هدررفت ها، فراهم می آورد.
منظور از داده کاوی، تحلیل داده به منظور یافتن ارتباط میان داده ها و الگوهای موجود در حجم مشخصی از داده است. در واقع این الگوها چکیده ای از داده های تحلیل شده اند. این چکیده، پیچیدگي را کاهش داده و اطلاعات را در دسترس گیرنده قرار مي دهد. هدف از فرآیندکاوی، استخراج اطلاعات مربوط به فرآیندهای کسب و کار مي باشد. فرآیندکاوی شامل "تکنیک ها، ابزارها و روش هایي برای کشف، پایش و بهبود فرآیندهای واقعي از طریق استخراج دانش از گزارشات رویداد (log event) است". این داده ها در حین اجرای فرآیندهای کسب و کار موجود در سیستم های اطلاعاتی تولید می شوند و از آن ها به منظور بازسازی مدل های فرآیندی استفاده مي شود. این مدل ها برای تحلیل و بهینه سازی فرآیندها، سودمند مي باشند.
مفهوم فرآیند کاوی برگرفته از متن کتاب "تحلیل فرآیند های مهندسی نرم افزار" نوشته ی Cook و Wolf در اواخر دهه ۹0 مي باشد. فرآیند کاوی را می توان به مفاهیم مدیریت جریان کار اضافه کرد. عمده ترین و اصلی ترین تلاش های انجام شده در این حوزه در دهه ی اخیر توسط Aalst der Van و سایر محققین همکار او و از طریق توسعه الگوریتم های داده کاوی و اشاره به چالش های متنوع مرتبط با این موضوع، صورت گرفته است. این فعالیت ها منجر به پیدایش مجموعه ای از روش ها و ابزارها شد که در دسترس متخصصین این حوزه قرار گرفت.

فرآیندکاوی یا کاوش فرآیند، موضوع نسبتاً جوانی می‌باشد که بین هوش محاسباتی و داده‌کاوی از یک سو و مدل‌سازی فرآیندهای سازمان و آنالیز از دیگر سو قرار می‌گیرد. هدف کاوش فرایند کشف، نظارت (Monitoring) و ارتقای فرایندهای واقعی از طریق استخراج دانش از داده‌های ذخیره شده قابل خواندن از سیستم‌های اطلاعاتی امروزه می‌باشد.
کاوش فرآیند یا Process Mining بیش تر به آنالیز فرآیندها با استفاده از داده‌های رویداد (EventLogs) می‌پردازد. فرایندکاوی، به معنای کشف، نظارت و ارتقای فرآیندهای واقعی با استفاده از دانش استخراج شده از نگاره‌های رویداد (Event Log)  موجود در سیستم‌های اطلاعاتی امروزی می‌باشد. هر رویداد ثبت شده به یک فعالیت اشاره دارد و مرتبط با یک مورد (نظیر یک نمونه فرآیند) می‌باشد.
 هدف فرآیند کاوی استخراج یک مدل فرایند واضح از تاریخچه رخداد است. فرضی که در همه روش های فرآیندکاوی در نظر گرفته می شود، امکان ثبت سریال رخدادهاست. به شکلی که هر رخداد به یک فعالیت اشاره می کند و به یک نمونه فرآیند به خصوص مرتبط است. اما هیچ گونه فرضی مبنی بر حضور سیستم مدیریت جریان کار در نظر گرفته نمی شود. در واقع این اطلاعات می تواند توسط هر سیستم اطلاعاتی دیگری که توانایی ذخیره اطلاعات مربوط به فعالیت ها در پایگاه داده خود را دارند، به دست آید.
تکنیک‌های کلاسیک داده‌کاوی نظیر خوشه بندی، طبقه‌بندی، کاوش قانون و … برروی مدل‌های فرآیندی کسب و کار تمرکز ندارند و تنها برای آنالیز گام مشخصی در فرآیند کلی استفاده می‌شوند. کاوش فرآیند بر روی فرآیندهای انتها به انتها تمرکز دارد. تکنیک‌های فرایندکاوی از داده‌های وقایع ثبت شده برای کشف و آنالیز و ارتقای فرایندهای کسب و کار استفاده می‌کنند.
تکنیک‌های فرآیندکاوی براساس داده‌های ثبت شده رویداد، به سه دسته کلی تقسیم‌بندی می‌شوند:

الف) تکنیک‌های کشف فرآیند  (Process Discovery)
ب) تکنیک‌های چک کردن تطابق  (Conformance Checking)
ج) تکنیک‌های ارتقا (Improving)

دسته اول یا همان تکنیک‌های کشف فرآیند به عنوان ورودی، داده‌های ثبت‌شده رویداد را دریافت کرده و یک مدل بدون استفاده از هیچ اطلاعات پیشینی تولید می‌نمایند. تکنیک‌های چک کردن متابعت بررسی می‌کنند که آیا فرآیند واقعی ایی که در سازمان در حال اجرا بوده و اطلاعات آن در فایل رویداد ثبت شده است، منطبق با یک مدل هدف اولیه مدنظر می‌باشد و برعکس. تکنیک‌های دسته سوم هم به این موضوع می‌پردازند که آیا می‌شود با استفاده از داده‌های رویداد ثبت شده، یک فرآیند را ارتقا یا توسعه داد. به عنوان مثال، با استفاده از برچسب زمانی در داده‌های ثبت شده می‌توان مدل را طوری توسعه داد که گلوگاه‌ها، لایه‌های سرویس و زمان توان عملیاتی را نشان دهد. برخلاف روش‌های آنالیز موجود، کاوش فرآیند، فرآیند محور می‌باشد و نه داده محور، کاملاً هوشمند و مبتنی بر حقایق است. همچنین مرتبط با داده‌کاوی می‌باشد. البته روش‌های سنتی داده‌کاوی مبتنی بر داده هستند ولی کاوش فرآیند مبتنی بر فرآیند می‌باشد.
به منظور آشنایی بیش تر با بحث کاوش فرآیند، سیستم آموزش را در نظر بگیرید. اکثر دانشگاه‌ها دارای سیستم آموزشی هستند. داده‌های سیستم آموزش حاوی اطلاعاتی از قبیل انتخاب واحدهای دانشجویان به همراه درسی که انتخاب کرده‌اند و زمان و تعداد انتخاب‌ها در طول ترم‌های مختلف است. با استفاده از یک سیستم کاوش فرآیند می‌توان از روی این داده‌ها، چارت درسی که به نوعی فرآیند تحصیلی یک دانشجو است (کشف فرآیند) را استخراج کرد، از طرف دیگر می‌توان با استفاده از تکنیک‌های چک کردن متابعت، میزان پیروی دانشجویان جدید از سرفصل‌های از پیش تعیین شده را مشخص نمود و می توان فهمید که آیا دانشجو در انتخاب درس ها، پیش نیازها و هم نیازهای آن درس را رعایت کرده است یا خیر. همچنین با استفاده از تکنیک‌های کاوش سازمانی می‌توان گلوگاه‌های سیستم را شناسایی کرده و فرآیند را ارتقا داد. مثلاً این که دانشجویان که در ترم خاصی درس مهندسی نرم‌افزار را پاس می‌کنند موفق تر هستند و بر مبنای همین اطلاعات به دست آمده، چارت درسی را تغییر داد. همچنین می‌توان با استفاده از تکنیک ها برخی از رویدادها را پیش بینی نموده و بر مبنای آن اقداماتی انجام داد. مثلاً پیش بینی کرد که آیا این دانشجوی جدید الورود قادر هست که درس خود را به پایان برساند یا چند ترمه به پایان خواهد رساند و سپس بر مبنای این اطلاعات، مشاوره‌هایی را به بعضی از دانشجویان داد.

چک کردن تطابق، دومین نوع فرآیندکاوی است. در این حالت از تاریخچه رخداد استفاده می شود تا واقعیتی که از فرآیندها درتاریخچه ثبت شده است، با مدلی که از پیش موجود است مقایسه گردد و تطابق آن ها بررسی شود. با کمک این روش ها انحرافات، مکان آن ها و میزان آن ها شناسایی می شوند.

افزایش (ارتقا یا بهبود)، سومین نوع فرآیندکاوی است. برای این حالت فرض می شود که یک مدل پیش بینی از قبل موجود است و هدف بهبود یا گسترش این مدل با توجه به داده های ثبت شده در تاریخچه رخداد، در راستای اهداف و عملکرد مجموعه مربوطه است و نه بررسی متعابت ها. مدل با توجه به یک دیدگاه یا جنبه جدید گسترش می یابد .

الگوریتم‌های بهبود فرآیند خودشان  به چند دسته تقسیم می‌شوند:
1. الگوریتم‌های تعمیر (repair): این دسته از الگوریتم‌ها، پیشنهاداتی را در جهت تغییر مدل ارائه شده برای فرآیند ارائه می‌دهد، تا به آنچه در واقعیت رخ می‌دهد نزدیک تر باشد. به عنوان مثال، ممکن است دو فعالیت در یک فرآیند به صورت موازی مدل شده باشند، ولی در عمل به صورت متوالی رخ می‌دهند. الگوریتم‌های تعمیر پیشنهاد می‌دهند که در مدل نیز ارتباط موازی فرآیندها به حالت متوالی تبدیل شود.
2. الگوریتم‌های توسعه (extension): این الگوریتم ها یک نگاه و نگرش جدید به فرآیند را ارائه می‌دهند. به عنوان مثال، این الگوریتم ها می توانند فرآیند را از دید منابعی که لازم دارد مورد بررسی قرار دهند. برای رسیدن به این هدف، باید برای هر فعالیتی در فرآیند، منابعی که به آن نیاز هست را نگهداری کنیم. یا مثلا برای بررسی کارآیی فرآیند، برای هر فعالیت باید اطلاعات مربوط به زمان رخ دادن آن نیز ثبت گردد. به طور کلی، توسعه فرآیند بر اساس هر معیاری می‌تواند انجام پذیرد، به شرط آن که اطلاعات آن معیار در event log ذخیره شود.

علاوه بر دسته بندی که در بالا ارایه شد، دسته بندی متعامد دیگری نیز وجود دارد که بر اساس چشم اندازها صورت می گیرد. بر این اساس، فرآیندکاوی می تواند چشم اندازهای جریان کار، سازمانی، اجرا و زمان را بررسی کند.  از بین تمام این چشم اندازها، معمولا چشم انداز کنترل جریان بیش تر بررسی می شود.
چشم انداز کنترل جریان: کار اصلی در این چشم انداز توجه به جریان کار و ترتیب اجرای وظایف است. هدف یافتن مطلوب همه ی الگوهای ممکن است.  برای بیان نتایج آن از زبان ها و نشان گذاری هایی همانند شبکه های پتری استفاده می شود.
چشم انداز سازمانی: در چشم انداز سازمانی توجه روی اطلاعات منابع است که باید با بررسی تاریخچه به دست آید. این که چه اجراکنندگانی درگیر بوده اند و چه ارتباطی باهم دارند.
چشم انداز نمونه فرآیند: چشم انداز case روی ویژگی های هر اجرا (case) متمرکز می شود.  caseها با کمک مسیر آن ها در فرآیند یا آغاز گرشان مشخص می شوند.
چشم انداز زمان: توجه و نگرانی چشم انداز زمان، زمان بندی و فرکانس وقوع رخدادها است.