Event logs gerados da simulação de diferentes cenários e analisados com mineração de processos.

A cada dia uma quantidade enorme de dados é gerada de sistemas gerenciados por informações. Geralmente esta informação é armazenada em banco de dados ou event logs. Mineração de processos pode utilizar esta informação para prover conhecimento útil para empresas. O objetivo deste trabalho é produzir event logs de diferentes cenários de simulação e analisá-los utilizando mineração de processos. Estes cenários tentam simular atividades contidianas em um ambiente de escritório. Um exemplo é o cenário de recurso fuzzy que tenta simular a incerteza inerente em atividades realizas por humanos. Para alcançar este objetivo algumas ferramentas open-source foram utilizadas. CPN Tools foi utilizada para construir e simular a Workflow net baseada na rede “Handle Complaint Process” e gerar os event logs durante as simulações. ProM foi utilizado para aplicar os algoritmos de process discovery e conformance checking nos event logs gerados. O algoritmo utilizado foi o Inductive Visual Miner. A comparação entre os cenários mostrou uma diferença significativa entre os tempos de execução devido ao propósito de cada cenário. Com este tipo de simulação de cenários, donos de negócios podem realizar simulações de possíveis cenários de sua empresa e estimar melhores deadlines para seus clientes.

The Log Skeleton Visualizer in ProM 6.9

Process discovery is an important area in the field of process mining. To help advance this area, a process discovery contest (PDC) has been set up, which allows us to compare different approaches. At the moment of writing, there have been three instances of the PDC: in 2016, in 2017, and in 2019. This paper introduces the winning contribution to the PDC 2019, called the Log Skeleton Visualizer. This visualizer uses a novel type of process models called log skeletons. In contrast with many workflow net-based discovery techniques, these log skeletons do not rely on the directly follows relation. As a result, log skeletons offer circumstantial information on the event log at hand rather than only sequential information. Using this visualizer, we were able to classify 898 out of 900 traces correctly for the PDC 2019 and to win this contest.