Curso corto sobre minería de procesos e inteligencia operacional dictado en la Universidad de Los Andes, 10-11 de julio del 2019.

1. Marlon Dumas
University of Tartu, Estonia
Analítica de datos e inteligencia artificial
para procesos de negocios
Curso Abierto, Universidad de Los Andes
10-11 de Julio del 2019

2. Process
discovery
Process
identification
Process
analysis
Process
implementation
Process
monitoring
Process
redesign
Process architecture
As-is process
model
Insights on
weaknesses and
their impact
To-be process
model
Executable
process
model
Conformance and
performance
insights
Ciclo de Vida de BPM y
Monitoreo de Procesos
Define Vision Develop Strategy Implement
Strategy
Manage Personnel Manage Assets
Management Processes
Core Processes
Support Processes
Manage Risk
Manage
Information
Procure
Materials
Procure
Products
Market
Products
Deliver
Products
Manage
Customer
Service
Examples for BPM lifecycle and process mining
C
1.5h
B
15h
D
E
2h
C DA B E
A
3m
35h 30h
15m
10m
10min
5m5m 10m30m

3. Monitoreo de Procesos
3
Tableros e Informes
(BAM, BI)
Minería de procesos
e inteligencia operacional
Base de
datos
Sistema
Empresarial
(CRM, ERP,
SCM, etc.)
Registro
de
eventos
Stream de
eventos

4. Minería de Procesos
4
/
Registro de
eventos
Modelo generado
Descubrimiento
Automático de
procesos
Verificación de
Conformidad
Análisis de
Variantes
Diagnóstico
de diferencias
Minería de
rendimiento
Modelo de proceso
“hecho a la mano”
Modelo enriquecido
Registro de eventos

5. Formatos de registros de
eventos:
• Comma-Separated Values
(CSV)
Estructura de un registro de eventos

6. Descubrimiento automático de procesos
6
IDCaso Actividad Estampilla Temporal …
13219
Someter solicitud
préstamo
2007-11-09 T
11:20:10
-
13219
Encontrar datos del
solicitante
2007-11-09 T
11:22:15
-
13220
Someter solicitud
préstamo
2007-11-09 T
11:22:40
-
13219
Calcular interés y
cuotas
2007-11-09 T
11:22:45
-
13219Notificar elegibilidad
2007-11-09 T
11:23:00
-
13219
Aprobar solicitud
sencialla
2007-11-09 T
11:24:30
-
13220
Calcular interés y
cuotas
2007-11-09 T
11:24:35
-
… … … …
Mapa de proceso
Modelo BPMN
Enter Loan
Application
Retrieve
Applicant
Data
Compute
Installments
Approve
Simple
Application
Approve
Complex
Application
Notify
Rejection
Notify
Eligibility

7. Mapas de proceso
• Grafo en el cual
• Un nodo representa una actividad
• Existe un arco de A a B si A es
inmediatamente seguido por B por la menos
una vez en el registro de eventos
• Los arcos pueden ser anotados por
• Frecuencia
• Tiempo
7

8. Mapa de proceso – ejemplo
Event log
5: a,b,c,g,e,h
4: a,b,c,f,g,h
3: a,b,d,g,e,h
3: a,b,d,e,g,h
a
b
c
g
e
h
5
5
5
5
5

9. Mapa de proceso – ejemplo
Event log
5: a,b,c,g,e,h
4: a,b,c,f,g,h
3: a,b,d,g,e,h
3: a,b,d,e,g,h
a
b
c
g
e
h
5
5
5
5
5
+ 4
+ 4
f
4
4
4

10. Mapa de proceso – ejemplo
Event log
5: a,b,c,g,e,h
4: a,b,c,f,g,h
3: a,b,d,g,e,h
3: a,b,d,e,g,h
a
b
c
g
e
h
5
5
5
5
5
+ 4
+ 4
f
4
4
+ 3
d
3
+ 3
+ 3
3
4

11. Mapa de proceso – ejemplo
Event log
5: a,b,c,g,e,h
4: a,b,c,f,g,h
3: a,b,d,g,e,h
3: a,b,d,e,g,h
a
b
c
g
e
h
5
5
5
5
5
+ 4
+ 4
f
4
4
4
+ 3
d
3
3
+ 3
+ 3
3
3
+ 3
+ 3
+ 3

12. Mapa de pMapa de proceso – ejemplo
roceso – ejercicio
Event log
5: a,b,c,g,e,h
4: a,b,c,f,g,h
3: a,b,d,g,e,h
3: a,b,d,e,g,h
a
b
c
g
e
h
15
9
5
8
8
f
4
4
7
d
6
3
3
3

13. Mapa de proceso – ejercicio
• Crear un mapa de procesos a partir de las siguientes trazas
• abc
• abd
• abe

14. Mapa de proceso, ejercicio
ID
caso Actividad Recurso Estampilla
ID
caso Actividad Recurso Estampilla
1 Crear Multa Anne 20-07-2004 14:00:00 3 Recordatorio John 21-08-2004 10:00:00
2 Crear Multa Anne 20-07-2004 15:00:00 2 Process Payment system 22-08-2004 09:05:00
1 Enviar Factura system 20-07-2004 15:05:00 2 Cerrar Caso system 22-08-2004 09:06:00
2 Enviar Factura system 20-07-2004 15:07:00 4 Recordatorio John 22-08-2004 15:10:00
3 Crear Multa Anne 21-07-2004 10:00:00 4 Recordatorio Mary 22-08-2004 17:10:00
3 Enviar Factura system 21-07-2004 14:00:00 4 Process Payment system 29-08-2004 14:01:00
4 Crear Multa Anne 22-07-2004 11:00:00 4 Cerrar Caso system 29-08-2004 17:30:00
4 Enviar Factura system 22-07-2004 11:10:00 3 Recordatorio John 21-09-2004 10:00:00
1
Process
Payment system 24-07-2004 15:05:00 3 Recordatorio John 21-10-2004 10:00:00
1 Cerrar Caso system 24-07-2004 15:06:00 3 Process Payment system 25-10-2004 14:00:00
2 Recordatorio Mary 20-08-2004 10:00:00 3 Cerrar Caso system 25-10-2004 14:01:00
14

15. Operaciones sobre registros de eventos
y mapas de proceso
• Las herramientas de minería de procesos usan mapas de proceso para permitir
la exploración de un registro de eventos
• Estas herramientas soportan las siguientes operaciones:
1. Abstracción del mapa de proceso:
• Mostrar solamente las actividades (tipos de eventos) más frecuentes
• Mostrar solamente los arcos más frecuentes
2. Filtrado del registro de eventos…
3. Enriquecimiento del mapa de procesos (más adelante – para minería de
rendimiento)
15

16. Tipos de filtros de registro de eventos
Filtros de actividad
• Por ejemplo: Ya sea retener solamente aquellas actividades de un cierto tipo (p.ej. Solamente las
actividades “Someter solicitud” y “calcular tasa se interés”)
• O retener solamente aquellos caso en los cuales una actividad ocurre, por ejemplo solamente los
casos que contienen la actividad “aprobar solicitud”
Filtro de atributo
• Filtrar por uno de los atributos presentes en el registro, por ejemplo solamente las solicitudes de
préstamo de más de 1000 euros
Filtro de rendimiento (por ejemplo filtro de tiempo de ciclo
• Retener los casos cuyo tiempo de ciclo se superior/inferior a un umbral
Filtro de flujo
• Retener casos en los cuales un par de actividades ocurren (p.ej. “Crear factura” seguido eventualmente
de “Crear pedido”)
Filtro de punto inicial/final
• Retener casos que comienzan o terminan por una actividad dada
16

17. Herramientas de minería de procesos
Código abierto
• Apromore
• bupaR (R)
• Pm4py (Python)
• ProM
Ligeras
• Disco
• Celonis Snap
• QPR Xpress
Empresariales
• ARIS PPM
• Celonis
• Lana Labs
• Minit
• myInvenio
• ProcessGold
• QPR Process Analyzer
• Signavio Process
Intelligence
17

18. Demonstración
https://apromore.org
18

19. Exercise: Analysis of a Repair Process
Consider the repairExample log of a telephone repair process:
• How many cases in this process?
• What’s the minimum, maximum and mean duration of a case?
• What are the bottlenecks in this process?
• Which activity has the longest waiting time and which one has
the longest processing time?

20. Mapas de procesos - limitaciones
• Los mapas de proceso sobre-generalizan: algunos caminos en el mapa
de proceso son ficticios
• Por ejemplo: Dibeje el mapa de proceso del siguiente conjunto de trazas
• [ abc, adc, afce, afec ]
• Este mapa de procesos continene caminos que no existen en el registro de eventos
• En los mapas de procesos, suele ser dificil distinguir entre paralelismo y
ciclos
• Dibujar por ejemplo el mapa de procesos del siguiente conjunto de trazas: [abcd, acbd]
• Solución: Descubrimiento de modelos de procesos BPMN
21

21. Minería de Modelos BPMN
Demonstración
http://apromore.org
22

22. Minería de Procesos
23
/
Registro de
eventos
Modelo generado
Descubrimiento
Automático de
procesos
Verificación de
Conformidad
Análisis de
Variantes
Diagnóstico
de diferencias
Minería de
rendimiento
Modelo de proceso
“hecho a la mano”
Modelo enriquecido
Registro de eventos

23. Dotted charts
Timeline diagrams
Performance-enhanced
dependency graphs
Minería de rendimiento
24

24. Enriquecimiento (enhancement) de mapas de
proceso con medidas de rendimiento
• Los nodos y los arcos en un mapa de proceso pueden ser
anotados (p.ej. coloreados) con información sobre
• Frecuencia: How often a given task or a given directly-
follows relation occurs?
• Tiempo de procesamiento / Tiempo de ciclo
25

25. 26
Mapa de proceso enriquecido
Un nodo = una actividad
Fluxicon Disco

26. Absolute (cumulative) frequency:
• how many times A occurs?
• how many times A is directly followed by B?
Case frequency:
• in how many cases A occurs?
• in how many cases A is directly followed by B?
Min/Max/Mean frequency:
• what’s the min/max/mean frequency of A in a case? And of A→B in a case?
Relative frequency:
• in what percentage of times is A executed? And A→B?
Duration:
• what’s the min/max/mean duration of A in a case (process time or cycle time)?
• what’s the min/max/mean time between the occurrence of A and the occurrence
of B in a case (waiting time)?
Process maps: Enhancement examples

27. 28
Mapa de proceso enriquecido
Un nodo = un recurso (mapa de relevos)
MyInvenio

28. Minería de Procesos
29
/
Registro de
eventos
Modelo generado
Descubrimiento
Automático de
procesos
Verificación de
Conformidad
Análisis de
Variantes
Diagnóstico
de diferencias
Minería de
rendimiento
Modelo de proceso
“hecho a la mano”
Modelo enriquecido
Registro de eventos

29. Dado dos registros de eventos, explicar las diferencias
entre estos registros y conectar estas diferencias con
diferencias en el rendimiento del proceso
Análisis de Variantes
≠

30. Estudio de Caso: Análisis de Variantes
OK
OK Good
Bad Expected
Performance
Line

31. Reclamaciones sencillas
y rapidas
Reclamaciones sencillas
y lentas
Analisis de de Variantes por medio de
comparacion de mapas de procesos
?
S. Suriadi et al.: Understanding Process Behaviours in a Large Insurance Company in Australia: A Case Study. CAiSE 2013

32. Opening Investigation Assessment Offer Closing
Check initial
documentation
13
Liaise with
relevant parties
12
Request
reopening
13
Follow-up with
claimant
2 11
Analysis of repetitions

33. Variants analysis - Exercise
We consider a process for handling health insurance claims, for which we
have extracted two event logs, namely L1 and L2. Log L1 contains all the
cases executed in 2011, while L2 contains all cases executed in 2012. The
logs are available in the book’s companion website or directly at:
http://tinyurl.com/InsuranceLogs
Based on these logs, answer the following questions using a process mining
tool:
1. What is the cycle time of each log?
2. Where are the bottlenecks (highest waiting times) in each of the two logs
and how do these bottlenecks differ?
3. Describe the differences between the frequency of tasks and the order in
which tasks are executed in 2011 (L1) versus 2012 (L2). Hint: If you are
using process maps, you should consider using the abstraction slider in
34

34. Consider the SEPSIS log. This is a log related to 1050 patients treated for sepsis in a
Dutch hospital. Generate two variants of this log, one where the patients age is within
30 years (SEPSIS_young), the other where the age is 65 or above (SEPSIS_old).
Based on these two variants, answer the following questions using a process mining
tool:
1. What is the cycle time of each variant?
2. Where are the bottlenecks (highest waiting times) in each of the two variants and
how do these bottlenecks differ?
3. Describe the differences between the frequency and order in which activities are
executed in the two variants. Hint: If you use process maps, you should consider
using the abstraction slider to hide some of the most infrequent arcs so as to
make the maps more readable
Exercise: Variants analysis

35. • Detectar cambios en el proceso y cuándo estos cambios han ocurrido.
Detección de Cambios (Drift Detection)
Log:
ABCDF,
ABDCF,
ADBEDCF,
ABDECDF,
ABCDEDEDF,
ABDCF,
AGBCDF,
AGBDCF,
AGDBEDCF,
AGBDECDF,
AGBCDEDED
F,
AGBDCF,
Drift

36. Detección de Cambios (Drift Detection)

37. Detección de Cambios en Apromore

38. Detección de Cambios
Demonstración
http://apromore.org
40

39. Minería de Procesos
41
/
Registro de
eventos
Modelo generado
Descubrimiento
Automático de
procesos
Verificación de
Conformidad
Análisis de
Variantes
Diagnóstico
de diferencias
Minería de
rendimiento
Modelo de proceso
“hecho a la mano”
Modelo enriquecido
Registro de eventos

40. Verificación de conformidad
42
≠

41. Verificación de conformidad
• En un caso, la tarea E aparece cuando no debe aparecer (undesired
activity)
• En algunos casos, la tarea C se salta (skipped activity).
• El ciclo consistente de las tareas I, G, D, y F se permite de acuerdo al
Registro
de
eventos:
ABCDEH
ACBDEH
ABCDFH
ACBDFH
ABDFEH
ABDEH
ABDFH

42. Reparación interactiva de modelos de procesos
A. Armas Cervantes et al. “Interactive and Incremental Business Process Model Repair”, Proceedings of CoopIS’2017
44

43. Demonstración
https://apromore.org
45

44. In what domain has Process mining been used?
HSPI, Process Mining: A Database of Applications, 2017
https://www.win.tue.nl/ieeetfpm/doku.php?id=shared:process_mining_case_studies

45. Where is it used?
HSPI, Process Mining: A Database of Applications, 2017

46. What methods are applied the most?
Process discovery
Conformance analysis
Performance analysis
Discovery + Conformance
Discovery + Performance
Conformance + Performance
Discovery + Conformance + Performance
HSPI, Process Mining: A Database of Applications, 2017

47. Case study:
Cineca
49

48. - 50 -
Case Study: Una delle Università più antiche d’Italia
Fast facts
• One of the major EU computational centers
• The Fermi Supercomputer is the 2nd ranked
supercomputer in Europe
• 600 IT staff
Processes analyzed
•Change request process
•Help request process
•Fault handling process
•Variants per geographical region and university served
•10 months of data
Case study: Cineca

49. Cineca: Automated discovery – 1st try

50. Cineca: Automated discovery – 2nd try
1st-level filter = type of request (Fault, Change, Help)
2nd-level filter = by client, region
Change request

51. Cineca: Automated discovery – 3rd try
Abstraction applied = most frequent paths, to:
• Analyze paths frequencies
• Identify undesired paths

52. Cineca: Automated discovery – 4th try
Abstraction applied = max repetitions, to:
• Identify undersired repetitions

53. Cineca: Performance mining (replay)

54. Cineca: Variants analysis
- Red Code: 15%
- Very High: 14%
- High: 10%
- Medium: 6%
- Low: 3%
-Red Code: 10%
- Very High: 7%
- High: 9%
- Medium: 13%
- Low: 9%
Main Case type 2nd Case type 3rd Case type
- Red Code: 19%
- Very High: 27%
- High: 30%
- Medium: 59%
- Low: 59%
- Red Code: 15%
- Very High: 14%
- High: 10%
- Medium: 6%
- Low: 3%
- Red Code: 10%
- Very High: 7%
- High: 9%
- Medium: 13%
- Low: 9%
(Tot: 44%)
(Tot: 48%)
(Tot: 49%)
(Tot: 78%)
(Tot: 71%)
Change requests filtered by variants type (based on frequency)
Priority

55. Cineca: changes implemented
Adoption of positive
deviances
• Replicating behavior of
top performing offices
• Training of IT service
operators
Evolution of the ticket
management system
• New states being unlocked
• Implementation of alerts for
real-time monitoring of certain
state changes

56. Técnicas de Monitoreo de Procesos
Monitoreo de
Procesos
BAM y BI
Tableros de
rendimiento de
procesos
Cuadros de
Mando Integrales
(Scorecards)
Analítica de
procesos
Minería de
procesos
Inteligencia
Operacional

57. ¿Qué es la Inteligencia Operacional?
• La Inteligencia Operacional es un conjunto de técnicas para el monitoreo en
tiempo real de eventos y tendencias que indican problemas potenciales por
llegar.
• Permite tomar acciones sobre un entorno operativo en continuo movimiento,
invocando intervenciones automáticas, semi-automáticas o manuales.
• Por ejemplo, el departamento de TI recibe una notificación sobre un retraso
en la disponibilidad de un servicio web. Si dicha interferencia afecta a un
cliente o a una oportunidad prioritaria (por ejemplo, descuento promocional),
la información se encamina al responsable de negocio, de manera a actuar
rápidamente.
• Permite además, recoger y correlacionar eventos en tiempo real con datos

58. Inteligencia operacional: Ejemplos de aplicaciones
• Cadena de valor: algunos fabricantes de automóviles poseen únicamente
una ventana de cuatro horas de disponibilidad en inventario. Si las piezas
faltan, o hay retrasos en la red de aprovisionamiento, se puede producir la
parada de la línea de montaje, a un costo elevo.
• Centro de atención al cliente: si los tiempos de espera de una llamada de
cliente exceden cierto umbral, corremos el riesgo de perder clientes. Los
responsables de negocio, sin un método de detección temprana, no pueden
responder proactivamente, tomando medidas como, por ejemplo,
reasignación de trabajadores del Call Center, priorizando las llamadas por
tipología del cliente u otra acción inteligente.

59. Inteligencia Operacional - Arquitectura

60. Objetivos de Monitoreo, Usuarios y Herramientas
Correspondientes
Estratégico
Táctico
Operacional
Participantes del proceso y
Gerentes Operativos (incluido el
Propietario del proceso)
Imagen del rendimiento de los casos en curso
o de los casos recientemente completados
Propietarios del proceso,
Directores Funcionales y
Analistas de Procesos
Imagen de la ejecución de un proceso durante un
período de tiempo relativamente largo para
poner de manifiesto las variaciones de
rendimiento indeseables y sus posibles causas,
cuellos de botella y desviaciones a plazo, o
frecuentes fuentes de defectos.
Directores
ejecutivos
Imagen de alto nivel del rendimiento de grupos
de procesos a lo largo de múltiples dimensiones
de rendimiento.
Objetivo de Monitorización
Tableros de Mando
Integrales (BSC)
BI, BAM,
Minería de Procesos
BAM,
Inteligencia
Operacional

61. Herramientas BAM, BI, Minería de Procesos e
Inteligencia Operacional
Operacional – Herramientas de Inteligencia Operacional
• SAP Operational Process Intelligence (OPI)
• VITRIA Operational Process Intelligence
• Apromore Predictive Process Monitoring, Celonis Action Engine, …
Operacional-Táctico – Herramientas BAM
• ARIS Process Performance Manager (PPM)
• Bizagi Business Activity Monitoring, Oracle BAM, webMethods Optimize for Process, …
Táctico-Estratégico – Herramientas BI y Minería de Procesos
• Herramientas Business Intelligence (BI): PowerBI, Qlikview, Tableau…
• Herramientas de Minería de Procesos: Apromore, Celonis, Disco, …
Nivel estratégico – Herramientas BSC especializadas
• BSC Designer Online, Quickscore, Sisense, etc.

62. Inteligencia Operacional:
Monitoreo Reactivo, Predictivo y Prescriptivo
• La primera generación de Inteligencia Operacional se focaliza en monitoreo
reactivo
• Los eventos llegan de diferentes fuentes y se correlacionan por medio de
un CEP, el cual dispara reglas al detectar instancias de eventos complejos
• La segunda generación, monitoreo predictivo, combina técnicas de
Inteligencia Artificial con CEP para predecir situaciones futuras
• La tercera generación, monitoreo prescriptivo, permite ligar predicciones a
posibles acciones, ya sea acciones automáticas o manuales, por ejemplo
disparando alarmas a los trabajadores del proceso con recomendaciones
específicas, de manera a optimizar costes, tasa de defecto u otros
indicadores de rendimiento.

63. Técnicas de inteligencia de procesos
Inteligencia
de Procesos
BAM y BI
Tableros de
rendimiento
de
procesos
Cuadros de
Mando
Integrales
(Scorecards)
Analítica
de
procesos
Minería de
procesos
Inteligencia
Operacional
Monitoreo
reactivo
Monitoreo
predictivo
Monitoreo
prescriptivo

64. Monitoreo Predictivo de Procesos
Stream de
eventos
Modelos
predictivos
Tablero predictivo detallado
Alarmas predictivas
Tablero predictivo agregado
Registro de
eventos
Base de
datos
Sistema
empresarial
66

65. Monitoreo predictivo de procesos
• ¿Cuál será la siguiente actividad en el caso en curso?
• ¿Cuándo va a terminar la siguiente actividad?
• ¿En cuánto tiempo va a completar este caso?
• ¿Cuál será el resultado de este caso?
• ¿Vamos a tener que pagarle compensación al cliente?
67

66. Registro
de eventos
Algoritmo
de aprendizaje
/
Resultado del casoAtributos
Trazas
68
Registro
de eventos
Algoritmo
de
aprendizaje
Siguientes actividad /
caminos
Atributos
Trazas
Medida de rendimiento
Monitoreo Predictivo de Procesos: Enfoque General
Caso en curso
Caso en curso

67. Sequence encoding
69

68. Sequence encoding
▷ Index-based encoding
▷ Aggregation encoding
▷ LSTM (not yet in Apromore)

69. Aggregation encoding
71
Case
ID
Time-
stamp
Activity Resource Amount
C1 T1 A R1 100
C1 T2 B R1 100
C1 T3 D R2 100
C1 T4 E R3 100
C1 T5 E R3 100
C2 T1 A R1 15
C2 T2 B R1 50
C2 T3 D R4 50
C2 T4 F R4 50
C3 T1 A R5 30
C3 T2 C R5 30
C3 T3 B R5 30
Time-
stamp
Freq
A
Freq
B
Freq
C
Freq
R1
Freq
R5
Max
Amount
Mean
Amount
T1 1 0 0 1 0 100 100
T1 1 0 0 1 0 15 15
T1 1 0 0 0 1 30 30

70. Aggregation encoding
72
Case
ID
Time-
stamp
Activity Resource Amount
C1 T1 A R1 100
C1 T2 B R1 100
C1 T3 D R2 100
C1 T4 E R3 100
C1 T5 E R3 100
C2 T1 A R1 15
C2 T2 B R1 50
C2 T3 D R4 50
C2 T4 F R4 50
C3 T1 A R5 30
C3 T2 C R5 30
C3 T3 B R5 30
Time-
stamp
Freq
A
Freq
B
Freq
C
Freq
R1
Freq
R5
Max
Amount
Mean
Amount
T1 1 0 0 1 0 100 100
T1 1 0 0 1 0 15 15
T1 1 0 0 0 1 30 30
T2 1 1 0 2 0 100 100
T2 1 1 0 2 0 50 32.5
T2 1 0 1 0 2 30 30
Classifier

71. Predictive process monitoring workflow
Encoding Bucketing Learning
Training
set
Last state
Aggregation
Index-based
…
Zero
Cluster
Prefix-length
…
Decision
tree
Random
forest
SVM
…
Buckets Models
73

72. Index-based encoding + prefix-length bucketing
74
Case
ID
Time-
stamp
Activity Resource Amount
C1 T1 A R1 100
C1 T2 B R1 100
C1 T3 D R2 100
C1 T4 E R3 100
C1 T5 E R3 100
C2 T1 A R1 15
C2 T2 B R1 50
C2 T3 D R4 50
C2 T4 F R4 50
C3 T1 A R5 30
C3 T2 C R5 30
C3 T3 B R5 30
Activity1 Resource1 Amount1
A R1 100
A R1 15
A R5 30
Classifier
1

73. 75
Case
ID
Time-
stamp
Activity Resource Amount
C1 T1 A R1 100
C1 T2 B R1 100
C1 T3 D R2 100
C1 T4 E R3 100
C1 T5 E R3 100
C2 T1 A R1 15
C2 T2 B R1 50
C2 T3 D R4 50
C2 T4 F R4 50
C3 T1 A R5 30
C3 T2 C R5 30
C3 T3 B R5 30
Activity1 Resource1 Amount1
A R1 100
A R1 15
A R5 30
Activity1 Resource1 Amount1 Activity2 Resource2 Amount2
A R1 100 B R1 100
A R1 15 B R1 50
A R5 30 C R5 30
Classifier
1
Classifier 2
Index-based encoding + prefix-length bucketing

74. • Predecir el resultado de un caso (p.ej. “¿Se va a aceptar esta solicitud de
crédito?”)
• Predecir une medida de rendimiento (p.ej. “¿Cuanto tiempo va a tomar
procesar este reclamo?”)
• Predecir eventos futuros (e.g. “¿Cuál es el siguiente evento que se va a
generar en este caso?”)
Event log
Training module
Training Validation
Predictor Dashboard
Runtime module
Information system
Predictions
Stream
(Kafka)
Predictive
model(s)
Event stream Event stream
Batched
Predictions
(CSV)
Apromore
Monitoreo Predictivo de Procesos en
Apromore
76

75. Demonstración
http://apromore.org
77

76. Apromore: Entrenamiento de modelo predictivo

77. Apromore: Evaluación del modelo predictivo
Your text here
MAE = Mean Absolute Error (medida de error)

78. Apromore: Tablero predictivo

79. /
Stream
de
eventos
Datos
históricos
Modelo de
proceso
Análisis de
variantes
Reporte de
conformidad
Medidas de
rendimiento
A ⇒ B
15
4,318
14
14
858
13
7,128
26
3,794
32
31
734 28
6,212
9
1,526
941
4,324
258
186
4,360
4,360
Created
4,360
Waiting for Support
12,587
Waiting for Customer
8,681
Resolved
5,023
Closed
4,360
Waiting for Internal
923
Escalation
42
Waiting for Approval
14
Waiting for Triage
31
Sistema
empresarial
Predicciones
Apromore
Resumen: Minería de Procesos y Monitoreo Predictivo

80. ¿Cuál es el valor de la minería de
procesos?
Ver los procesos tal como son
• No como se los imagina
Respaldar sus hipótesis con datos
• No solamente intuiciones
Cuantificar las propuestas de cambios de procesos
• Antes y después

81. • Minería de Procesos Robóticos (Robotic Process Mining)
• Partiendo de registros de eventos de bajo nivel…
• Clics, teclas pulsadas, movimientos de cursor, pantallazos, …
• …descubrir oportunidades de automatización usando herramientas RPA
• …y generar especificaciones ejecutables para automatización RPA
(scripts RPA)
• Es decir, scripts RPA incluyendo variables, transformaciones de datos,
etc.
• Monitoreo de Procesos Prescriptivo (Prescriptive Process
Monitoring)
• Extraer predicciones interpretables
• Para ayudar a los usuarios a entender las causas raíces de
defectos/problemas
Perspectivas
83

82. 1.Introduction
2.Process Identification
3.Essential Process Modeling
4.Advanced Process Modeling
5.Process Discovery
6.Qualitative Process Analysis
7.Quantitative Process Analysis
8.Process Redesign
9.Process-Aware Information Systems
10.Executable Process Modeling
11.Process Monitoring
12.BPM as an Enterprise Capability