Sprawdzanie zgodności
Sprawdzanie zgodności procesów biznesowych (w skrócie sprawdzanie zgodności ) to rodzina technik eksploracji procesów służących do porównywania modelu procesu z dziennikiem zdarzeń tego samego procesu. Służy do sprawdzenia, czy rzeczywiste wykonanie procesu biznesowego , zapisane w dzienniku zdarzeń, jest zgodne z modelem i odwrotnie.
Na przykład może istnieć model procesu wskazujący, że zamówienia o wartości przekraczającej milion euro wymagają dwóch kontroli. Analiza dziennika zdarzeń pokaże, czy ta zasada jest przestrzegana, czy nie.
Innym przykładem jest sprawdzenie tzw. zasady „dwojga oczu” mówiącej, że poszczególnych czynności nie powinna wykonywać jedna i ta sama osoba. Skanując dziennik zdarzeń za pomocą modelu określającego te wymagania, można wykryć potencjalne przypadki nadużyć . W związku z tym sprawdzanie zgodności może być wykorzystywane do wykrywania, lokalizowania i wyjaśniania odchyleń oraz do mierzenia dotkliwości tych odchyleń.
Przegląd
Techniki sprawdzania zgodności przyjmują jako dane wejściowe model procesu i dziennik zdarzeń i zwracają zestaw różnic między zachowaniem przechwyconym w modelu procesu a zachowaniem przechwyconym w dzienniku zdarzeń. Różnice te mogą być reprezentowane wizualnie (np. nałożone na model procesu) lub tekstowo jako listy instrukcji języka naturalnego (np. czynność x jest wykonywana wielokrotnie w dzienniku, ale zgodnie z modelem jest to niedozwolone). Niektóre techniki mogą również generować znormalizowane miary (między 0 a 1) wskazujące, w jakim stopniu model procesu i dziennik zdarzeń pasują do siebie.
Interpretacja niezgodności zależy od przeznaczenia modelu:
- Jeśli model ma być opisowy , rozbieżności między modelem a dziennikiem wskazują, że model wymaga ulepszenia, aby lepiej odzwierciedlał rzeczywistość.
- Jeżeli model jest normatywny , to takie rozbieżności mogą być interpretowane dwojako: mogą ujawniać niepożądane odchylenia (tzn. sprawdzanie zgodności sygnalizuje potrzebę lepszej kontroli procesu). lub mogą ujawnić pożądane odchylenia (tj. pracownicy mogą odstąpić, aby lepiej służyć klientom lub radzić sobie z okolicznościami nieprzewidzianymi w modelu procesu).
Techniki
Celem sprawdzania zgodności jest zidentyfikowanie dwóch rodzajów rozbieżności:
- Niedopasowane zachowanie dziennika: zachowanie zaobserwowane w dzienniku, które nie jest dozwolone przez model.
- Dodatkowe zachowanie modelu: zachowanie dozwolone w modelu, ale nigdy nie zaobserwowane w dzienniku.
Zasadniczo istnieją trzy rodziny technik wykrywania nieodpowiedniego zachowania dziennika: odtwarzanie, wyrównanie śledzenia i wyrównanie behawioralne.
W technikach odtwarzania każdy ślad jest odtwarzany w modelu procesu po jednym zdarzeniu na raz. Po wykryciu błędu powtórki jest on zgłaszany i dokonywana jest lokalna korekta w celu wznowienia procedury powtórki. Korektą lokalną może być np. pominięcie/zignorowanie zadania w modelu procesu lub pominięcie/zignorowanie zdarzenia w dzienniku.
Ogólne ograniczenie metod odtwarzania polega na tym, że odzyskiwanie po błędzie jest wykonywane lokalnie za każdym razem, gdy wystąpi błąd. Dlatego te metody mogą nie identyfikować minimalnej liczby błędów, które mogą wyjaśnić nieodpowiednie zachowanie dziennika. Ograniczenie to jest rozwiązywane przez wyrównywania śladów . Te ostatnie techniki identyfikują dla każdego śladu w dzienniku najbliższy odpowiedni ślad, który może zostać przeanalizowany przez model. Techniki wyrównywania śladów obliczają również wyrównanie pokazujące punkty rozbieżności między tymi dwoma śladami. Dane wyjściowe to zestaw par wyrównanych śladów. Każda para pokazuje ślad w dzienniku, który nie pasuje dokładnie do śladu w modelu, wraz z odpowiednimi najbliższymi śladami utworzonymi przez model.
Techniki wyrównywania śledzenia nie obsługują jawnie współbieżnych zadań ani cyklicznych zachowań (powtarzanie zadań). Jeśli na przykład cztery zadania mogą wystąpić tylko w ustalonej kolejności w modelu procesu (np. [A, B, C, D]), ale mogą wystąpić jednocześnie w dzienniku (tj. w dowolnej kolejności), różnicy tej nie można bezpośrednio wykryć przez wyrównania śladów, ponieważ nie da się tego zaobserwować na poziomie poszczególnych śladów.
Inne metody identyfikowania dodatkowych zachowań opierają się na zdarzeniach negatywnych. Metody te rozpoczynają się od ulepszenia śladów w dzienniku poprzez wstawienie fałszywych (negatywnych) zdarzeń do wszystkich lub niektórych śladów w dzienniku. Negatywne zdarzenie jest wstawiane po danym prefiksie śladu, jeśli to zdarzenie nigdy nie zostało zaobserwowane przed tym prefiksem w dowolnym miejscu w dzienniku.
Na przykład, jeśli zdarzenie C nigdy nie jest obserwowane po przedrostku AB, to C można wstawić jako zdarzenie ujemne po AB. Następnie dziennik wzbogacony o zdarzenia negatywne jest odtwarzany w odniesieniu do modelu procesu. Jeśli model procesu może odtworzyć zdarzenia negatywne, oznacza to, że w modelu procesu zarejestrowano zachowanie, które nie jest rejestrowane w dzienniku (ponieważ zdarzenia negatywne odpowiadają zachowaniu, które nigdy nie zostało zaobserwowane w dzienniku).
Godne uwagi algorytmy
Porównanie macierzy śladu
Macierze śladu przedstawiają przyczynową zależność dwóch działań w dzienniku zdarzeń, np. jeśli w dzienniku zdarzeń po działaniu a następuje działanie b we wszystkich śladach, ale po działaniu b nigdy nie następuje b. W kierunku tego rodzaju zależności deklarowana jest lista relacji porządkujących :
Niech L będzie dziennikiem zdarzeń powiązanym z listą A wszystkich działań. Niech a, b będą dwiema czynnościami w A.
- a ᐳ L b wtedy i tylko wtedy, gdy istnieje ślad σ w L, w którym występuje wzór (a, b).
- a → L b wtedy i tylko wtedy, gdy a ᐳ L b a nie b ᐳ L a.
- a # L b wtedy i tylko wtedy, gdy nie a ᐳ L b i nie b ᐳ L a.
- || L b wtedy i tylko wtedy, gdy a ᐳ L b i b ᐳ L a.
W przypadku modelu procesu taką macierz można również wyprowadzić na podstawie sekwencji wykonania, stosując technikę odtwarzania. Dlatego na podstawie macierzy footprintów można wnioskować, że jeśli dziennik zdarzeń jest zgodny z rozpatrywanym modelem procesu, to dwie macierze footprintów reprezentujące dziennik i model są identyczne, tj. zależność przyczynowa) pojawiają się co najmniej raz w dzienniku zdarzeń.
Przykład : Niech L będzie: {<a, b>, <a, c, d> } i modelem M z L . Załóżmy, że obie macierze są następujące:
| A | B | C | D | |
|---|---|---|---|---|
| A | # | → | → | # |
| B | ← | # | # | # |
| C | ← | # | # | → |
| D | # | # | ← | # |
| A | B | C | D | |
|---|---|---|---|---|
| A | # | → | → | → |
| B | ← | # | # | # |
| C | ← | # | # | → |
| D | ← | # | ← | # |
Można zauważyć, że w macierzy footprintów modelu M wzór (a, d) może wystąpić, a więc powoduje odchylenie w porównaniu z dziennikiem zdarzeń. Dopasowanie między dziennikiem zdarzeń a modelem jest obliczane w następujący sposób:
W tym przykładzie przydatność wynosi .
Technika powtórki tokena
Powtórka oparta na tokenach to technika wykorzystująca 4 liczniki (tokeny wyprodukowane, tokeny zużyte, tokeny brakujące i tokeny pozostałe) do obliczenia przydatności śladu obserwacji w oparciu o dany model procesu w notacji sieci Petriego. Te 4 liczniki rejestrują stan żetonów, gdy ślad jest odtwarzany w sieci Petriego. Kiedy żeton jest wytwarzany przez przejście, liczba wyprodukowanych żetonów jest zwiększana o 1. Kiedy żeton jest zużywany w celu uruchomienia przejścia, liczba zużywanych żetonów zwiększa się o 1. Kiedy brakuje żetonu do uruchomienia przejścia, liczba brakujących żetonów jest zwiększana o 1. Pozostałe tokeny rejestrują całkowitą liczbę pozostałych tokenów po zakończeniu śledzenia. Ślad jest zgodny z modelem procesu wtedy i tylko wtedy, gdy nie ma brakujących tokenów podczas odtwarzania i żadnych pozostałych tokenów na końcu.
Dopasowanie między dziennikiem zdarzeń a modelem procesu jest obliczane w następujący sposób:
gdzie m to liczba brakujących żetonów, c to liczba zużyte żetony, r to liczba pozostałych żetonów, p to liczba wyprodukowanych żetonów.
Wyrównanie
Chociaż technika token-replay jest wydajna i łatwa do zrozumienia, podejście to jest przeznaczone dla notacji sieci Petriego i nie uwzględnia odpowiedniej ścieżki generowanej przez model dla przypadków nienadających się. Dopasowania zostały wprowadzone w celu rozwiązania ograniczeń i są uważane za bardzo dokładną technikę sprawdzania zgodności i mogą być stosowane do dowolnej notacji modelowania procesu. Pomysł polega na tym, że algorytm przeprowadza wyczerpujące wyszukiwanie, aby znaleźć optymalne dopasowanie między obserwowanym śladem a modelem procesu. W związku z tym zagwarantowane jest znalezienie najbardziej powiązanego przebiegu modelu w porównaniu ze śladem.
- ^ Wil van der Aalst (2013). Eksploracja procesów: wykrywanie, zgodność i ulepszanie procesów biznesowych . Skoczek.
- ^ Carmona, Józef; Dongen, Boudewijn van; Solti, Andreas; Weidlich, Matthias (2018-11-11). Sprawdzanie zgodności: powiązania procesów i modeli . Skoczek. ISBN 978-3-319-99414-7 .
- ^ Rozinat, Anna; van der Aalst, Wil (2008). „Weryfikacja zgodności procesów w oparciu o monitorowanie rzeczywistych zachowań”. Systemy informacyjne . 33 (1): 64–95. doi : 10.1016/j.is.2007.07.001 .
- ^ Adriansyah, Arya (2014). Dopasowanie zachowań obserwowanych i modelowanych (praca doktorska). Politechnika w Eindhoven.
- ^ Vanden Broucke, Seppe KLM; De Weerdt, Jochen; Vanthienen, Jan; Baesens, Bart (2014). „Określanie precyzji i uogólnienia modelu procesu za pomocą ważonych sztucznych zdarzeń negatywnych” . Transakcje IEEE dotyczące wiedzy i inżynierii danych . 26 (8): 1877–1889. doi : 10.1109/TKDE.2013.130 . S2CID 14365893 .
- Bibliografia Linki zewnętrzne _ _ _ _ _ _ /978-3-662-49851-4_1 , ISBN 978-3-662-49851-4 , pobrano 2021-08-12
- Bibliografia _ van der Aalst, WMP (marzec 2008). „Kontrola zgodności procesów oparta na monitorowaniu rzeczywistych zachowań” . Systemy informacyjne . 33 (1): 64–95. doi : 10.1016/j.is.2007.07.001 . ISSN 0306-4379 .
- ^ Van der Aalst, Wil; Adriansyah, Arya; van Dongen, Boudewijn (2012-01-30). „Odtwarzanie historii na modelach procesów w celu sprawdzenia zgodności i analizy wydajności” . WIRE Eksploracja danych i odkrywanie wiedzy . 2 (2): 182–192. doi : 10.1002/widm.1045 . ISSN 1942-4787 . S2CID 11294562 .