Resumen de Minería de proceso para la comprensión del proceso en la etapa de diagnóstico

Damián Pérez Alfonso, Raykenler Yzquierdo Herrera, Eudel Pupo Hernández, Arturo Orellana García

• español

  La minería de proceso tiene como objetivo descubrir, monitorear y mejorar los procesos partiendo de los eventos registrados durante su ejecución en los sistemas de información. Sin embargo, las técnicas de minería de proceso disponibles para el diagnóstico de procesos brindan poca información sobre la completitud del registro de eventos o los comportamientos infrecuentes del proceso, afectando su comprensión. Partiendo de las limitaciones de las técnicas disponibles respecto a la comprensión se propone la minería de variantes. Esta técnica permite construir variantes de modelos del proceso, a partir de su descomposición en subprocesos. Se describe la aplicación de la minería de variantes y otras técnicas en un entorno real. Los resultados obtenidos evidencian que la propuesta disminuye la carga cognitiva del modelo e incide positivamente en las dimensiones aptitud, generalización y precisión, al considerar la ausencia de información y el ruido, mejorando la comprensión en el diagnóstico del proceso.

• English

  Process mining aims to discovering, monitoring and improving process, starting from events logged during process execution on information systems. Nevertheless, available process mining techniques for process diagnosis offer insufficient information about event log completeness or infrequent process behavior, affecting process comprehension. A new technique, named Variants Miner is presented, starting from limitations of process mining techniques regarding process comprehension. This technique aims to construct different variants of process models through process decomposition on sub-processes. An application of Variants Miner and other techniques in a real environment is presented. The obtained results show that the proposal decreases the cognitive load of the model and improve the fitness, generalization and precision, considering missing information and noise, improving process comprehension on process diagnosis stage.