Применение методов машинного обучения для совершенствования бизнес-процессов

Бизнес-процессы с течением времени становятся более сложными. Цель работы состоит в том, чтобы показать, что методы машинного обучения могут быть успешно использованы для понимания и совершенствования бизнес-процессов. Данная работа ориентируется на анализ двух видов данных, а именно агрегированных данных и данных последовательности. Агрегированные данные являются результатом преобразований над необработанными данными, сфокусированных на понятиях, которые не очевидны в исходных данных. Эта агрегация аналогична конструкции функций, используемой в области машинного обучения. Конструкция функций заключается в преобразовании исходного представления в новое, обычно в более компактном виде, который охватывает большинство (или наиболее актуальные) исходные характеристики. В данной работе, агрегированные данные - это переменные, возникающие в результате создания понятия сложности выполнения процесса. Эти агрегированные данные используются для развития логистики однородных кластеров. Это означает, что элементы в разных кластерах различаются, с точки зрения сложности маршрутизации. Разработка однородных кластеров для данного процесса имеет значение в связи с индукцией прогнозирующих моделей. Маршрутизация в процессе может быть предсказана с помощью логистических кластеров. Данные последовательности описывают последовательность действий с течением времени при выполнении процесса. Они записываются в журнал процессов во время выполнения этапов процесса. В связи с исключениями, отсутствию или неполноте записи и ошибкам, данные могут быть шумными. Использование данных последовательности является инструментом для достижения цели, которая заключается в получение модели, объясняющей записанные события. В ситуациях без шума и при наличии достаточной информации предоставляется метод построения модели процесса из журнала процессов. Методы машинного обучения особенно полезны при обнаружении модели процесса из шумных данных последовательности.