Математическое моделирование динамики показателей деятельности предприятия на основе журналов событий информационных систем тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат наук Ходырев, Иван Александрович

• Ходырев, Иван Александрович
• кандидат наук
• 2014

Оглавление диссертации кандидат наук Ходырев, Иван Александрович

Оглавление

ВВЕДЕНИЕ___________________________________________________________________________________________________________________________________________________4

ГЛАВА 1. АНАЛИЗ СОСТОЯНИЯ ПРЕДМЕТНОЙ ОБЛАСТИ------------------------------------------------------6

1.1. Журналы событий и прогнозирование на их основе

1.2. Метод прогнозирования показателей организации Розинат-Аалста и его разновидности

1.3. Особенности дискретно-событийного моделирования бизнес-процессов на основе журнала событий

1.3.1. Моделирование потока работ

1.3.2. Извлечение моделей потока работ из журналов событий

1.3.3. Определение развилок в модели процесса

1.3.4. Анализ развилок процесса

1.3.5. Состояния экземпляров процесса

1.3.6. Использование контекстных признаков для уточнения модели процесса

1.3.7. Устаревание данных

1.3.8. Моделирование ресурсов

1.4. Пути развития методов дискретно-событийного моделирования бизнес-процессов на основе журналов событий

1.4.1. Извлечение модели потока работ из журналов событий

1.4.2. Определение развилок в модели процесса

1.4.3. Учет неактивных экземпляров прог/есса

1.4.4. Учет зависимостей от контекстных признаков

1.4.5. Учет устаревания данных

Выводы по главе 1

ГЛАВА 2. МЕТОД ДИСКРЕТНО-СОБЫТИЙНОГО МОДЕЛИРОВАНИЯ БИЗНЕС-ПРОЦЕССОВ НА ОСНОВЕ ЖУРНАЛОВ СОБЫТИЙ----------------------------------------------------------------------------------26

2.1. Основные понятия, определения и информационная база

2.1.1. Используемые математические понятия и обозначения

НАДО НА ЧА ТЬ НЕ С ЭТОГО

2.1.2. Представление экземпляров процесса

2.1.3. Используемый формат журналов событий

2.2. Общий метод дискретно-событийного моделирования

2.3. Построение и исследование модели

2.3.1. Этап фильтрации и построения модели процесса

2.3.2. Этап построения модели среды

2.3.3. Этап насыщения модели зависимостями от признаков

2.4. Имитационное моделирование и прогнозирование

Выводы по главе 2

ГЛАВА 3. АЛГОРИТМЫ ПОСТРОЕНИЯ И ИСПОЛЬЗОВАНИЯ ИМИТАЦИОННЫХ МОДЕЛЕЙ НА ОСНОВЕ ЖУРНАЛОВ СОБЫТИЙ_______________________________________________________________________________________48

3.1. Алгоритмы этапа фильтрации

3.1.1. Фильтрация устаревших КЭП

3.1.2. Фильтрация неактивных ЭП

3.1.3. Сопоставление весов экземплярам npoijecca

3.2. Построение модели процесса

3.2.1. Тестирование алгоритмов process mining

3.2.2. Комбинированный алгоритм построения модели процесса

3.3. Алгоритмы этапа построения модели среды

3.3.1. Построение множества исторических признаков

3.3.2. Построение множеств статических и динамически признаков

ЗА. Алгоритмы этапа насыщения модели зависимостями от признаков

3.4.1. Построение множества элементов процесса

3.4.2. Процедура поиска и формализации зависимостей

3.5. Выводы по главе 3

ГЛАВА 4. ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ МЕТОДА МОДЕЛИРОВАНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ ПОКАЗАТЕЛЕЙ ДЕЯТЕЛЬНОСТИ ПРЕДПРИЯТИЙ_______________________________________93

4.1 Экспериментальные исследования методов и алгоритмов фильтрации и построения модели процесса

4.1.1. Экспериментальная проверка метода устаревания КЭП на синтетических данных

4.1.2. Результаты экспериментального исследования ачгоритмов анализа процессов

4.2. Экспериментальные исследования алгоритмов, используемых для формирования множества контекстных признаков

4.2.1. Пример применения алгоритма поиска развилок в модели процесса

4.2.2. Пример использования исторических признаков

4.2.3. Пример использования статических и динамических признаков

4.3. Экспериментальные исследования процедуры поиска и формализации зависимостей

4.3.1. Исыедование алгоритмов регрессии для задач моделирования процессов

4.3.2. Исследование алгоритмов классификации для задач моделирования процессов

4.4. Экспериментальные исследования прогностических свойств разработанного метода на практических примерах деятельности предприятий

4.4.1. Цели и задачи экспериментальных исследований

4.4.2. Описание тестовых данных: практические примеры деятельности предприятий

4.4.3. План и параметризация экспериментов

4.4.4. Характеристики точности прогнозов

4.4.5. Проведение экспериментов

ЗАКЛЮЧЕНИЕ_______________________________________________________________________________________________________________________________________138

СПИСОК ЛИТЕРАТУРЫ_____________________________________________________________________________________________________________________139

Введение диссертации (часть автореферата) на тему «Математическое моделирование динамики показателей деятельности предприятия на основе журналов событий информационных систем»

Введение

Современные информационные системы в различных областях деятельности человека являются источниками косвенных данных о реальных процессах, представляемых в форме так называемых журналов событий. Системы поддержки ведения бизнеса, такие как ERP, WFM, СН или CRM, позволяют проектировать течение бизнес-процессов, регулировать и контролировать их исполнение, а также в автоматическом режиме накапливать объективную информацию о событиях, определяющих динамику показателей деятельности предприятия. Как следствие, мониторинг, анализ и моделирование таких процессов на основе журналов событий требуют развития специального математического аппарата, методов и технологий.

Целью диссертационного исследования является разработка и обоснование метода дискретно-событийного моделирования бизнес-процессов предприятий на основе журналов событий информационных систем.

Для достижения этой цели решаются следующие задачи:

- разработка метода, автоматизирующего процедуры построения динамической модели бизнес-процессов на основе данных, извлекаемых из журналов событий, с учетом их устаревания;

- разработка процедуры идентификации и моделирования характерных элементов динамической модели бизнес-процессов в зависимости от внешних факторов;

- разработка метода имитационного моделирования динамики бизнес-процессов в условиях изменчивости внешней среды для прогнозирования показателей деятельности предприятия;

- разработка алгоритмического и программного обеспечения для экспериментальных исследований перечисленных методов и моделей;

- экспериментальное исследование прогностических свойств предложенного метода в сравнении с существующими аналогами; апробация метода на прикладных задачах моделирования деятельности предприятий.

Научная новизна исследования заключается в разработке метода дискретно-событийного моделирования бизнес-процессов, формирующего базовую имитационную модель на основе обучения по журналу событий информационной системы с учетом устаревания данных и влияния внешних факторов, и его применении для прогнозирования динамики показателей предприятия.

Практическую значимость работы определяют:

У

— методика прогнозирования показателей предприятия с использованием журналов событий на основе математического моделирования его бизнес-процессов, обеспечивающая повышение точности среднесрочного (один—шесть месяцев) прогнозирования. Использование результатов прогнозирования позволяет сократить издержки предприятий и увеличить прибыль.

- программное обеспечение прогнозирования показателей предприятия, реализующее разработанную методику.

Достоверность результатов диссертационного исследования обусловлена обоснованностью применения математического аппарата, данными экспериментальных исследований эффективности разработанных алгоритмов по сравнению с существующими аналогами (метод Розинат-Аалста), а также апробацией на практических примерах показателей деятельности предприятий.

Диссертация состоит из четырех глав. В первой главе проанализировано состояние предметной области, рассматриваются способы представления журналов событий, описываются основные подходы к дискретно-событийному моделированию бизнес-процессов, а также определяются основные недостатки существующих методов, которые планируется компенсировать в рамках настоящего исследования. Во второй главе описываются теоретические основы предлагаемого метода дискретно-событийного моделирования, включая построение самой модели на основе сетей Петри, построение модели среды, установление зависимости от внешних признаков и переход к имитационному эксперименту и прогнозированию. В третьей главе обсуждаются практические аспекты алгоритмической реализации методов, изложенных во второй главе. Четвертая глава содержит результаты экспериментальных исследований точности предлагаемых методов и алгоритмов и прогностических способностей модели в целом на конкретных прикладных задачах.

Глава 1. Анализ состояния предметной области j

1.1. Журналы событий и прогнозирование на их основе

Волна компьютеризации, которая затронула большинство предприятий в конце ХХ-начале XXI в. [5], принципиально изменила внутренние структуры их бизнес-процессов. Это выразилось во все большей интеграции процессов с автоматизированными системами при одновременном снижении зависимости достоверности информации от конкретных исполнителей. Использование систем ERP, WFM или CRM позволяет существенно усилить контроль над протеканием бизнес-процессов, а также в автоматическом режиме накапливать объективную информацию о событиях, происходящих в рамках этих процессов [6].

В результате работы информационных систем накапливается значительный объем данных о протекании процессов на предприятии, информация обычно содержится в так называемом журнале событий (в англоязычной литературе применяется термин log, мы будем также использовать термин лог). В зависимости от полноты охвата информационной системой бизнес-процессов, эта информация может как давать полную картину происходящего на предприятии, так и отражать состояние отдельных процессов. Обычно форма информации структурирована, и ее можно свести к единому формату представления. \

Большинство логов, формируемых информационными системами и описывающих протекающие процессы, содержат следующие данные: название события, идентификатор экземпляра процесса, к которому оно относится, тип события (например, «начало задачи», «окончание задачи» и др.), сотрудник-инициатор события, время начала события и др. Различные информационные системы характеризуются разными форматами сохраняемых данных об истории процессов, и для обобщения схемы работы с ними необходимо использовать единый формат, к которому было бы возможно свести большинство логов. Существует несколько универсальных форматов описания логов, такие как MXML [7], OpenXES [8].

Формат MXML (рис. 1.1) XSD-схеме [9]. Верхний уровень (WorkFlowLog) содержит в себе информацию о журнале событий в целом. На этом уровне хранятся два основных вида информации: «данные» (Data) и «источники данных» (Source). Оба вида информации представляют собой словарь значений. Каждый журнал событий содержит информацию о наборе процессов (Process). Каждый процесс может исполняться неограниченное число раз, и каждый такой экземпляр процесса будет сохраняться в логе (Process Instance). Каждый экземпляр процесса создает записи о событиях (AuditTrailEntry), содержащие необходимую информацию о событиях: Название события,

Тип события, Дата события и Ответственный за событие. Кроме того, каждый уровень структуры может содержать дополнительную неструктурированную информацию в словаре «данные» (Data), состоящем из записей ключ-значение.

•ilSaS*Щ

»?&5i"lfi»tnr|

Рисунок 1.1. Структура документа формата MXML

Формат Open XES в большей степени ориентирован на расширяемость и универсальность. Диаграмма UML 2.0 метамодели формата Open XES представлена на рис. 1.2. Основное отличие Open XES заключается в отсутствии стандартных атрибутов, в базовой версии. Любое добавление атрибутов осуществляется либо через «расширение» (Extension), либо через «классификатор» (Classifier), которые позволяют описать формат этих атрибутов. Это гибкая модель, делающая возможным описание истории протекания широкого класса процессов. Недостатком Open XES является отсутствие наглядности, поскольку использование расширений является неудобным в простых случаях, излишне загромождая описание. Можно сделать вывод, что формат Open XES является более универсальным и подходящим для описания широкого класса исторических данных процессов, формат MXML напротив не является столь гибким, но позволяет коротко и наглядно структурировать данные процессов во многих практически значимых случаях.

Наличие исторических (ретроспективных) данных о деятельности предприятия открывает широкие возможности для прогнозирования. Так, в организациях, внедривших автоматизированные информационные системы управления бизнес-процессами, накопившиеся данные позволяют предсказывать будущие состояния таких процессов. Основной метод прогнозирования в этой области - математическое моделирование (рис. 1.3), в рамках которого для отдельных частей или для бизнес-процесса в целом строится математическая модель, позволяющая формировать прогнозы [44].

<declares>

<contains>

<contaim>

ч а зН-^*^ <

float

ui

Рисунок 1.2. Диаграмма UML 2.0 метамодели формата Open XES Можно выделить три основных вида математического моделирования: аналитическое, имитационное и комбинированное [10]. Аналитическое моделирование предполагает построение систем алгебраических, дифференциальных, интегральных и конечно-разностных уравнений, исследование которых позволяет получать прогнозы, однако часто использование аналитического метода предполагает существенные упрощения первоначальной модели, а также существенную сложность и в некоторых случаях - невозможность моделирования сложных зависимостей. При имитационном подходе моделируется процесс функционирования объекта исследования во времени на уровне элементарных событий, которые, как предполагается, должны были протекать в реальной ситуации. При построении комбинированных моделей проводится предварительная декомпозиция процесса функционирования модели, и если возможно, используются аналитические модели, а для остальных создаются имитационные.

Рисунок 1.3. Классификация методов прогнозирования бизнес-процессов

В настоящее время метод имитационного моделирования считается наиболее эффективным при прогнозировании состояний широкого класса объектов. В свою очередь, в его рамках можно выделить системно-динамический, дискретно-событийный и агентный подходы [10]. Первый обычно применяется для систем непрерывной природы, он основан на построении приближенных моделей причинных связей и глобальных влияний одних параметров на другие. Эти модели эмулируются на ЭВМ для получения требуемых прогнозов. Системно-динамический подход иногда применяется для моделирования бизнес-процессов [45, 46], но он не получил широкого распространения у исследователей.

Дискретно-событийный подход применяется в основном для систем дискретной природы, в которых могут быть четко выделены существенные события. В рамках дискретно-событийной модели обычно описываются схемы протекания процессов, варианты распределения ресурсов, а также статистические характеристики компонентов модели. Важной предпосылкой является допущение о существовании общих законов, управляющих процессами, и адекватное отражение этих законов является центральной задачей дискретно-событийного моделирования. Этот вид моделирования широко распространен при прогнозировании бизнес-процессов [47-51] в прикладных областях. Прогнозирование осуществляется путем имитационных экспериментов на полученной модели. Существует множество инструментов поддержки дискретно-событийного моделирования, в работах [11, 49] рассмотрены популярные пакеты моделирования бизнес-процессов с возможностями проведения имитационных экспериментов. Дискретно-событийный подход на сегодняшний день является де факто промышленным стандартом прогнозирования бизнес-процессов, и до недавнего времени

исследовательский интерес к нему снижался: появлялись работы, в основном расширяющие его сферу применения, но не повышающие его точность. Например, в работе [52] демонстрируется метод распараллеливания имитационных экспериментов для дискретно-событийного подхода, что позволяет ускорять получение прогнозов, но не влияет на их качество. С другой стороны, в литературе часто подчеркиваются недостатки дискретно-событийного подхода [3, 48, 53], а также проблемы в реализации пакетов моделирования [54]. Один из основных недостатков, на который указывают исследователи, и который, по их мнению, существенно затрудняет повсеместное использование методов моделирования бизнес-процессов в целом и дискретно-событийного подхода, в частности, — вовлеченность в процесс построения моделей людей. С одной стороны, это требует существенных финансовых затрат, а с другой -результирующие модели могут оказаться неточными. В конце прошлого десятилетия начали появляться работы, в которых авторы стремились преодолеть указанный недостаток [4, 23, 55-57]. Их основная идея состоит в том, что информации, накапливаемой в логах информационных систем предприятия достаточно для автоматизированного построения имитационной модели целиком без участия человека. Авторы указывают, что такой подход позволяет повысить точность прогнозирования за счет снижения влияния человеческого фактора при построении моделей.

В противоположность дискретно-событийному агентный подход базируется на предположении, что законы, управляющие процессами, проявляются как результат деятельности множества децентрализованных агентов, каждый из которых реализует свое уникальное поведение. Агентом выступает некоторая сущность, обладающая различными характеристиками, способная к изменению этих характеристик и взаимодействию с другими агентами. Эмуляция этого взаимодействия на ЭВМ позволяет получать прогнозы искомых переменных. Агентный подход на сегодняшний день активно исследуется [5861]. Несмотря на перспективность, агентный подход не лишен недостатков [62], так, его основная сложность состоит в том, что следует очень точно описать основную единицу моделирования - агент. Небольшие неточности в описании порождают существенно неудовлетворительные прогнозы. В случае моделирования бизнес-процессов в качестве агента чаще всего выбирается отдельный человек, участник процесса, и ошибка при моделировании может быть большой. Эта проблема препятствует практическому применению агентного подхода при моделировании бизнес-процессов, оставляя его в большей степени исследователям.

Дискретно-событийное моделирование бизнес-процессов представляется наиболее перспективным для практического использования в ближайшие 3-5 лет. С одной стороны,

ю

в основном бизнес-процессы представляют собой последовательности дискретных событий, и применение методов системной динамики является нецелесообразным, с другой — агентные системы чрезвычайно чувствительны к заданию свойств и отношений агентов, идентификация которых сложна и во многом неформализуема, это может приводить к существенным погрешностям итогового результата прогнозирования.

Как уже говорилось, существует множество систем имитационного моделирования, предназначенных для работы с бизнес-процессами или имеющих специальные модули. К таким системам относятся Arena (Rockwell Automation), CPN-tools (Eindhoven University of Technology), Ptolemy II (Berkeley University of technology), Sigma (Custom simulations) и др. [11]. Эти системы позволяют создавать модели процессов, выполнять их анализ и верификацию, а также прогнозирование требуемых показателей. Несмотря на значительное число исследований и наличие множества средств прогнозирования, часто при использовании различных модификаций дискретно-событийного подхода прогнозы оказываются далеки от реальных значений. В литературе выделяются три основные причины этого: ориентированность на дизайн, ручная настройка и упрощенное представление о ресурсах [3,48,53].

Ориентированность на дизайн. Проблема связана с тем, что большинство современных методов моделирования фокусируется на устойчивом процессе функционирования организации, а не на конкретных специфических ситуациях, в которых возникает потребность прогнозирования. Это выражается в том, что начальное состояние имитационных экспериментов в большинстве систем либо задается вручную, либо вообще не связано с текущей ситуацией в организации. Внимание концентрируется не на конкретной ситуации, а на бизнес-процессе в целом, это продуктивно на этапе дизайна процессов, но при решении задачи прогнозирования в реальной ситуации - неэффективно, поскольку объективное представление о текущем состоянии может иметь решающее значение для прогнозируемых показателей.

Ручная настройка модели. В большинстве систем моделирования бизнес-процессов существенная часть элементов модели для симуляции должна настраиваться вручную. В первую очередь речь идет о схемах потоков работ, которые восстанавливаются по документации либо формируются аналитиком с использованием знаний предметной области. Проблема заключается в том, что часто реальные процессы, происходящие в организации, отличаются от заложенных в модели [12]. На это может влиять сложный комплекс факторов, различающихся от организации к организации, зачастую управляющий персонал не в силах полностью устранить несоответствие между

реальностью и закладываемой моделью. Следствием этого могут являться существенные ошибки прогнозирования.

Сложность создания адекватной модели ресурсов — целый класс проблем, связанных с имитационным моделированием ресурсов. Подробно проблемы изучены в работе [13]. Рассмотрим два оппозиционных способа моделирования людских ресурсов на предприятии:

- обязанности участников процессов строго фиксированы и неизменны. Сотрудники не выполняют работу, не соответствующую чему?',

— обязанности сотрудников заданы нестрого, сотрудники могут выполнять любую работу.

В реальной ситуации ни то ни другое в чистом виде практически не встречается, и обычно возникает комбинация этих двух вариантов. Например, сотрудник, по документам занимающийся задачей А, в случае необходимости может быть направлен на решение задачи В, но его никогда не направят выполнять задачу С и т.д. Несмотря на теоретическую возможность того, что аналитики изначально формализуют такие условия для каждого сотрудника, на практике это слишком трудоемко, потому инструменты моделирования либо вообще отказываются от использования ролей, либо предполагают их фиксированный характер, упрощая реальную ситуацию.

Проанализировав эти проблемы, можно прийти к выводу: если компания имеет информацию об истории своих бизнес-процессов, построение моделей для прогнозирования должно происходить автоматически на основании этой истории, с минимальным привлечением априорной информации и экспертных оценок. На этой идее основан подход к прогнозированию Розинат-Аалста, базирующийся на аппарате из области анализа процессов (process mining).

Разработки в области анализа процессов (process mining) [17, 18, 25, 63, 64] направлены на извлечение знаний из структурированных журналов событий информационных систем (рис. 1.4). Первые исследования в этой области выполнялись в 1990-х гг., их основной фокус был направлен на извлечение моделей процессов, породивших последовательности событий, встречающихся в журналах информационных систем [65-67]. Однако эти подходы не позволяли анализировать журналы событий, сформированные параллельными процессами или ветвями одного процесса.

Рисунок 1.4. Область применения анализа процессов Вышедшие в начале 2000-х гг. работы [68] и [69] внесли существенный вклад в область анализа процессов. Эвристический метод построения сетей Петри по журналам событий [68] позволил работать с журналами, сформированными параллельными процессами (впоследствии он был развит в [26]). Работа [68] была ориентирована на практические задачи и в ней не ставилась цель строго доказать границы применимости алгоритма, а в [69] авторы разработали так называемый «а алгоритм», в некоторых условиях позволяющий абсолютно точно извлечь модель процесса в нотации сетей Петри из журналов событий, в том числе с конструкциями параллельности. Указанные работы вдохновили многих ученых на исследования новой области знания. Начали появляться работы, предлагающие альтернативные алгоритмы извлечения моделей процессов [20, 7072]. Появилась необходимость в метамодели, позволяющей приводить к единому виду различные форматы, используемые в информационных системах, и такая модель была предложена в [7]. Автоматизированное извлечение знаний (в форме моделей процессов) потребовало численно оценивать качество моделей для сравнения алгоритмов; соответствующие метрики и способы их расчета были введены в [38]. Появилось много работ, демонстрирующих возможность в различных отраслях промышленно применять алгоритмы из области анализа процессов [75-79]. В фокусе некоторых работ была не только модель процесса, но и другая информация из журналов событий. В [73, 74] были предложены алгоритмы построения социальных графов по журналам событий, а в [80] из журналов событий извлекалась информация о ролях сотрудников организации. Используя такие алгоритмы и методы, стало возможным автоматически извлекать знания и данные

для создания имитационной модели бизнес-процесса организации с последующим получением прогнозов по различным показателям.

1.2. Метод прогнозирования показателей организации Розинат-Аалста и его разновидности

А. Розинат и В. Аалст предложили метод построения модели бизнес-процессов предприятий (рис. 1.5), которая основана на использовании журналов событий, накапливаемых информационными системами [4,14-16].

.....ЛГ Г

Построение модели процесса

г,Моделк»

■процесс*

Извлечение

к~................г информации о ролях

Анализточек принятия решений

/Г......

/Зависимости т\ ,

Анализ

производительности

®

ч;

ш <

0

«I

X х

К

1

3£ <

<о О

/ Модггь Сич.гьД ррэцг'.'-л Г"**

>5 X

II

» с

а- 3

л л «

§§

А О. О. 1=

Прогнозируемые величины

Время протекания

Загрузка ресурсов

Время ожидания

Рисунок 1.5. Схема метода прогнозирования Розинат-Аалста

На рис. 1.5 в эллипсах указаны структуры данных, которые формируются в результате применения алгоритмов (обозначены прямоугольниками). Стрелками представлены отношения следования между данными и алгоритмами. Исходным объектом для анализа является журнал событий, вначале он используется для построения модели процесса с помощью а-алгоритма [19]. Журнал событий также применяется для извлечения информации о ролях и сопоставления их событиям информационной системы. Каждому событию бизнес-процесса сопоставляется множество ролей, обладая которыми, исполнители могут участвовать в этих событиях.

Построенная модель процесса вместе с журналом событий используется для анализа «точек принятия решений» [81] и «производительности». Первый предполагает выявление зависимости выбора пути в ветвлениях модели бизнес-процесса от дополнительных данных, присутствующих в описывающем его логе. Так, например, в рамках бизнес-процесса медицинских учреждений первичный диагноз, с которым поступает пациент, может существенно влиять на выбор назначаемых медиками процедур. Если диагноз отражен в соответствующем журнале событий, то, используя историю, можно спрогнозировать, какие обследования и назначения последуют. «Анализ

/У

производительности» предполагает создание математических моделей для следующих элементов процесса:

1) для каждого явного перехода в сети Петри рассчитывается среднее время исполнения по всему журналу событий.

2) для каждой развилки процесса, когда активными могут быть несколько переходов, вычисляется средняя вероятность выбора каждого перехода.

3) рассчитывается среднее число появления новых процессов в минуту.

В результате выполнения всех этапов строится итоговая модель бизнес-процесса предприятия, которая в дальнейшем используется для имитационных экспериментов в целях получения доверительных интервалов для требуемых показателей. Начальное состояние задается так, чтобы количество ресурсов и список активных процессов соответствовали окончанию журнала событий. Подробная реализация всех этих этапов описана в [4].

Далее производится имитационное моделирование, в результате получаются прогнозные значения доверительных интервалов времени протекания процесса, характеристик загрузки ресурсов, времени ожидания и др.

Таким образом возможно решать задачи, характерные для других методов моделирования, перечисленных в параграфе 1.1. Проблема ориентированности на дизайн решается с помощью задания соответствия между начальной точкой симуляции и окончанием журнала событий. Проблема ручной настройки решается с помощью комплексного подхода к анализу журналов событий, который включает в себя автоматизированное построение модели процесса, ее аннотирование вероятностными и временными характеристиками, а также построение зависимостей выбора от данных. Модель ресурсов получается автоматически, путем выявления возможных ролей из журналов событий для каждого участника процесса, независимо от формально закрепленных должностей и специализаций.

Стоит отметить, что этот метод универсален как в отношении предметной области, так и в отношении предсказываемых величин. Содержательные особенности предметной области не влияют на применение метода, но условием является наличие журналов событий информационных систем с необходимой информацией. Чем более полны журналы событий, тем точнее итоговая модель и тем выше точность прогнозов. Значение любой переменной в рамках предметной области может быть спрогнозировано, но только в том случае, если информация о ней прямо или косвенно присутствует в журналах событий. Это является ключевым преимуществом методом Розинат-Аалста перед другими методами имитационного моделирования, использующими экспертов: сведение к

Список литературы диссертационного исследования кандидат наук Ходырев, Иван Александрович, 2014 год

Список литературы

1. [Electronic resource]: <http://www.javeriana.edu.co/boleting/wp-content/uploads/2013/08/Aguirre-Parra-y- Alvarado-Paper_simpda-2013 .pdf >.

2. [Electronic resource]: <http://dl.acm.org/citation.cfm?id=293489>.

3. Aalst W. v. Business Process Simulation Revisited // Enterprise and Organizational Modeling and Simulation. Lecture Notes in Business Information Processing. 2010. Vol. 63. P. 1-14.

4. Rozinat A., Mans R., Song M., & Aalst W. v. Discovering Simulation Models // Information Systems. 2009. Vol. 34(3). P. 305-327.

5. [Electronic resource]: <http://scholar.harvard.edu/fiIes/lkatz/fíIes/technological_change_computerization_and _the_wage_structure.pdf >.

6. Castellanos M. et al. Business process intelligence // Handbook of research on business process modeling. 2009. P. 456-480.

7. [Electronic resource]: <http://tmpmming.win.tue.nl/_media/publications/dongen2005.pdf>.

8. [Electronic resource]: <http://www.win.tue.nl/~hverbeek/downloads/preprints/Verbeekl 1 ,pdf>.

9. [Electronic resource]: <http://is.tm.tue.nl/research/processmining/WorkflowLog.xsd>.

10. Снетков H. H. Имитационное моделирование экономических процессов. М.: Изд-во Центр ЕАОИ, 2008. Стр 23.

11. [Electronic resource]: <http://sistemas-humano-cornputacionais.wdfiles.com/local--fíles/capitulo%3Acolaboracao-auxiliada-por-computador/%5BJansen-Vullers%202006%5D%20Business%20Process%20Simulation%20-%20A%20Tool%20Survev.pdf>.

12 .Aalst W. v., Nakaíumba J., Rozinat A., & Russell N. Business Process Simulation: How to get it right? // Handbook on Business Process Management, International Handbooks on Information Systems. Berlin: Springer-Verlag, 2010. P. 317-342.

13. Nakatumba J., Aalst W. v. Analyzing Resource Behavior Using Process Mining // BPM 2009 Workshops. Proc. of the Fifth Workshop on Business Process Intelligence (BPI'09). Lecture Notes in Business Information Processing. 2010. Vol. 43. P. 69-80.

14. Rozinat A., Wynn M., Aalst W. v., Hofstede А. Т., & Fidge C. Workflow Simulation for Operational Decision Support using YAWL and ProM. Retrieved from BPM Center Report BPM. 2008.

15. RozinatA. et al. Discovering colored Petri nets from event logs // Intern. J. on Software Tools for Technology Transfer. 2008. Vol. 10, N 1. P. 57-74.

16. Rozinat A., Aalst W. v. Decision mining in business processes. Beta, Research School for Operations Management and Logistics, 2006.

17. Aalst W. v., Pesic M., & Song M. Beyond Process Mining: From the Past to Present and Future // Proc. of the 22nd Intern. Conf. on Advanced Information Systems Engineering (CAiSE'10). 2010. Vol. 6051. P. 38-52.

18 .Aalst W. v., Reijers H., Weijters A., DongenB. v., Medeiros A. A., SongM., & Verbeek H. Business Process Mining: An Industrial Application // Information Systems. 2007. Vol. 32(5). P. 713-732.

19. Aalst W. v., Weijters A.J.M.M., & Maruster L. Workflow Mining: Discovering Process Models from Event Logs // IEEE Transact, on Knowledge and Data Engineering. 2004. Vol. 16(9). P. 1128-1142.

20. Medeiros A. K. A. de. Genetic Process Mining. PhD Thesis. Eindhoven, The Netherlands: Technische Universiteit Eindhoven, 2006.

21 .Ходырев И.А. Попова C.B. Обнаружение развилок в моделях процессов //. С. 8288.

22. Schonenberg М., Jingxian J., Sidorova N., & Aalst W. v. Business Trend Analysis by Simulation // Advanced Information Systems Engineering. Lecture Notes in Computer Science. 2010. Vol. 6051. P. 515-529.

23. Ходырев И.А., Татаринов Ю.С.. Прогнозирование показателей организации с использованием журналов событий // Изв. СПБГЭТУ (ЛЭТИ). 2011. № 5.Стр. 53

24. Ходырев И. А., Бухановский А. В. Метод моделирования бизнес-процессов в информационных системах на основе журналов событий // Динамика сложных систем — XXI век №3 за 2013г, Издательство "Радиотехника": научно-техническая литература, 2013, стр 46-50

25. Aalst W. v. Process discovery: capturing the invisible // Computational Intelligence Magazine. 2010. Vol. 5, N 1. P. 28-41.

26. Weijters A.J.M.M., Aalst W. v., & Medeiros A.K de. Alves. Process Mining with the Heuristics Miner Algorithm // Technische Universiteit Eindhoven, Tech. Rep. WP. -2006.-T. 166.-Стр. 1-34

21. Ходырев И.А., Попова C.B. Сравнение алгоритмов process mining для задачи поиска моделей процессов // Научно-технические ведомости Санкт-

Петербургского государственного политехнического университета. 2011. Т. 2, № 138. С. 170-178

28. Worster A., Fan J., Ismaila A. Understanding linear and logistic regression analyses // CJEM. 2007. Vol. 9, N 2. P. 111.

29. [Electronic resource]: <http://www.schonenberg.info/files/APNOC.pdf>

30. Quinlan J. R. Improved use of continuous attributes in c4.5 // J. of Artificial Intelligence Research. 1996. Vol. 4. P. 77-90.

31. Weber P., Bordbar В., Tino P., Majeed B. A framework for ring process mining algorithms // GCC Conf. and Exhibition (GCC). 2011. P. 625-628.

32. Aalst W. v., Нее K.M. v., Reijers H.A. Analysis of Discrete-time Stochastic Petri Nets // Statistica Neerlandica. - 2000. - T. 54. - №. 2. - C. 237-255.

33. [Electronic resource]: <http://www.twirpx.com/file/95408/>.

34. Стрижов В.В. Методы индуктивного порождения моделей. М.: ВЦ РАН, 2008. Стр. 24

35. Seber G. A. F., Lee A. J. Linear regression analysis. // John Wiley & Sons, 2012. - T. 936.

36. Lewis D. D. Naive (Bayes) at forty: The independence assumption in information retrieval //Machine learning: ECML-98. - Springer Berlin Heidelberg, 1998. - C. 4-15.

37. Галушкин А. И. Нейронные сети: основы теории //М.: Горячая линия-Телеком. -2010.

38. [Electronic resource]: < http://tmpmining.win.tue.nl/_media/publications/annerozinat_masterthesis.pdf>

39. [Electronic resource]: <http://www.reading.ac.uk/AcaDepts/si/wsi37/ICS2006Vol2Li>.

40. Расин Д. Непараметрическая эконометрика: вводный курс // Квантиль. 2008. Т. 4. С. 7-56.

41. Kennedy J. Particle swarm optimization // Encyclopedia of Machine Learning. Springer, 2010. P.760-766.

42. [Electronic resource]: <http://www.eia.gov/dnav/pet/pet_pri_spt_sl_a.htm>.

43. Aalst W. v., Schonenberg M. K, Song M. Time prediction based on process mining // Information Systems. 2011. Vol. 36, N 2. P. 450-475.

44. [Electronic resource]: <http://www.amazon.com/Business-Process-Modeling-Simulation-Edition/dp/1439885257 >.

45. [Electronic resource]: <http://sdiwc.net/digital-library/web-admin/upload-pdf/00000119.pdf >.

46. [Electronic resource]: <http://informs-sim.org/wsc05papers/257.pdf>.

47. [Electronic resource]: <http://iissst.info/Vol-04/No-l&2/Hlupic.pdf>.

48. [Electronic resource]: <http://www.hindawi.com/iournals/isrn/2013/507984/ >.

49. [Electronic resource]: <http://mhc-net.com/whitepapers presentations/2005%20Process%20Trends%20('040306).pdf >.

50. Rozinat A. et al. Process mining applied to the test process of wafer scanners in ASML //Systems, Man, and Cybernetics, Part C: Applications and Reviews, IEEE Transactions on. - 2009. - T. 39. - №. 4. - C. 474-479.

51. [Electronic resource]: <http://www.researchgate.net/profile/George Giaglis/publication/2501135 Simulation

Modelling Of Business Processes/links/00b7d518a5262bcl9f000000 >.

52. [Electronic resource]: <http://frapu.de/pdf/elliger2011 .pdf >.

53. [Electronic resource]: <http://www.informs-sim.org/wsc06papers/074.pdf>.

54. [Electronic resource]: <http://cs.au.dk/fileadmin/site files/cs/research areas/centers and proiects/cpn/paperl l.pdf>.

55. [Electronic resource]: <http://www.sciencedirect.com/science/article/pii/S0167923611002077 >.

56. [Electronic resource]: <http://comserv.cs.ut.ee/forms/ati report/downloader.php?file=B588E43D2D553E437 CC37B032C2429ECFA3D2B83 >.

57. [Electronic resource]: <http://www.thinkmind.org/index.php?view=article&articleid=bustech 2012 1 30 90 057 >.

58. [Electronic resource]: <http://www.amcl.tuc. gr/en/papers/eumas 1 ODeliasSpanoudakis. pdf >.

59. [Electronic resource]: <http://clusterlean.mx/wp-content/uploads/2012/03/185 207 Enterprise transf.pdf >.

60. [Electronic resource]: <http://simulation.su/files/immod2013/material/immod-2013-l-179-183.pdf >.

61. [Electronic resource]: <http://ediss.sub.uni-hamburg.de/volltexte/2014/6684/pdf/Dissertation.pdf >.

j

62. [Electronic

resource]:

<http://www2.econ.iastate.edu/tesfatsi/ABMGeoSpatialSimulations.CastleCrooks2006. pdf>.

<http://www.springer.com/computer/database+management+%26+information+retriev al/book/978-3-642-19344-6 >.

65. Agrawal R., Gunopulos D., dc Leymann F. Mining Process Models from Workflow Logs // Sixth Intern. Conf. on Extending Database Technology. 1998. P.469-483.

66. Cook J.E. & Wolf A.b. Discovering Models of Software Processes from Event- Based Data// ACM Transactions on Software Engineering and Methodology. 1998. Vol. 7(3). P. 215-249.

61. Herbst J. A Machine Learning Approach to Workflow Management // Proc. 11th European Conf. on Machine Learning. 2000. Vol. 1810. P. 183-194.

68. Weljters A.J.M.M. & Aalst W. v. Process Mining: Discovering Workflow Models from Event-Based Data // Proc. of the 13th Belgium-Netherlands Conf. on Artificial Intelligence (BNAIC 2001). BNVKI, Maastricht, 2001. P. 283-290.

69. [Electronic resource]: <http://tmpmining.win.tue.nl/ media/publications/aalst2002.pdf

70. [Electronic resource]: <http://alexandria.tue.nl/repositorv/books/576199.pdf>

71. Günther C. W., Aalst W. v. Fuzzy mining-adaptive process simplification based on multi-perspective metrics // Business Process Management. Berlin Heidelberg: Springer, 2007. P. 328-343.

72. Bergenthum R. et al. Process mining based on regions of languages // Business Process Management. Berlin Heidelberg: Springer, 2007. P. 375-383.

73. Aalst W. v., Song M. Mining Social Networks: Uncovering interaction patterns in business processes // Business Process Management. Berlin Heidelberg: Springer, 2004. P. 244-260.

74. Aalst W. v., Reijers H.A., & Song M. Discovering Social Networks from Event Logs // Computer Supported Cooperative Work. 2005. Vol. 14(6). P. 549-593.

75. [Electronic resource]: <http://ieeexplore.ieee.org/xpl/login.isp?tp=&arnumber=6083858&url=httP%3A%2F% 2Fieeexplore.ieee.org%2Fxpls%2Fabs all.isp%3Farnumber%3D6083858 >.

63. [Electronic

<http://www.sciencedirect.com/science/article/pii/S03064379060003Q5>.

64. [Electronic

resource]:

resource]:

>

76. [Electronic resource]: <http://link.springer.com/chapter/10.1007/978-3-319-Q5461-2 2 >.

77. Medeiros А. К. A. de et al. Process mining for ubiquitous mobile systems: an overview and a concrete algorithm // Ubiquitous Mobile Information and Collaboration Systems. Berlin Heidelberg: Springer, 2005. P. 151-165.

78. Mans R. S. et al. Application of process mining in healthcare-a case study in a dutch hospital // Biomedical Engineering Systems and Technologies. Berlin Heidelberg: Springer, 2009. P. 425-438.

79. De Jong I. S. M., Günther С. W., Aalst W. v. Process mining of test processes: A case study. Beta, Research School for Operations Management and Logistics, 2007.

80. Ly L.T., Rinderle S., Dadam P., & Reichert M. Mining Staff Assignment Rules from Event-Based Data // Business Process Management. 2006. Vol. 3812. P. 177-190.

81 .Rozinat A. & Aalst W. v. Decision Mining in ProM // BPM. 2006. Vol. 4102. P. 420425

82. [Electronic resource]: <http://www■win■tlIe■nl/~mdeleoni/documentiЯJCNN14■pdf>.

83. [Electronic resource]: <http://web.ist.utl.pt/diogo.ferreira/papers/szimanski 13improving.pdf >.

84. [Electronic resource]: <http://iew3.technion.ac.il/~serveng/course2004/References/Research Proposal Final 12 2 14 Arik.pdf>.

85. Nakatnmba J., Aalst W. v. Analyzing resource behavior using process mining // Business Process Management Workshops. 2010. P. 69-80.

86. Щеколдин В.Ю., Чимитова E.B., Демин B.A. Исследование метода выбора оптимального параметра сглаживания при непараметрическом оценивании регрессионных моделей надежности // Вестн. Том. гос. ун-та. Управление, вычислительная техника и информатика. 2014. №2 (27). С.10-18.

87. [Electronic resourcel:<http://moex.com/ru/index/stat/dailvhistory.aspx?code=RTSog>.

88. [Electronic resource]:<http://www.wunderground.com/cgi-bin/fíndweather/getForecast?ouery=ULLI >.

89. [Electronic resource]:<http://www.processmining.org/prom/downloads >.

90. [Electronic resource]:<http://www.cs.waikato.ac.nz/ml/weka/downloading.html >.