فرآیند کاوی چند سطحی (MLPM) چیست؟

زمان مطالعه: 5 دقیقه

این روزها اکثر راهبران کسب و کار، به استفاده از فرآیندکاوی تمایل دارند، اما بیشتر آنها نگران تلاش‌های صورت گرفته و زمان صرف شده برای انتخاب، استخراج و تبدیل داده‌های فرآیند هستند. هرچند فرآیندکاوی مبتنی بر هوش مصنوعی، به طور خودکار می‌تواند داده‌ها را از سیستم‌های فناوری اطلاعات استخراج کند، اما برای کار با داده‌های مستقل خرد (granular) و چند سطحی دچار مشکل است. راه غلبه بر این مشکل استفاده از فرآیند کاوی چند سطحی (MLPM) است. استفاده از روش فرآیند کاوی چند سطحی کمک می‌کند تا علاوه بر افزایش دقت مدل‌های فرآیند، روند فرآیند کاوی در میان بخش‌های مختلف را نیز آسان‌تر کنید.

امروز به شما خواهیم گفت فرآیند کاوی چند سطحی یا MLPM چیست و چگونه کار می‌کند.

فرآیند کاوی چند سطحی چیست؟

فرآیندهای چند سطحی، فرآیندهای پیچیده‌ای شامل روابط چند به چند هستند. مانند خرید به پرداخت (P2P) و سفارش به پول نقد (O2C).

• خرید به پرداخت (Procure-to-Pay) یا P2P ، فرآیند یکپارچه سازی سیستم‌های خرید و حساب‌های پرداختی برای ایجاد کارایی بیشتر است.
• سفارش به پول نقد (O2C)، به فرآیندهای تجاری سطح بالا برای دریافت و پردازش سفارش مشتریان و شناسایی درآمدها اشاره می‌کند و در امور مالی یک کارکرد مهم و اساسی به شمار می‌رود.

فرآیند کاوی چند سطحی (Multi-level Process Mining) یا MLPM، یا فرآیند کاوی سلسله مراتبی، برای نرم افزارهای فرآیند کاوی سنتی کمی چالش‌برانگیز است، چرا که تعامل میان موجودیت‌های درون فرآیندها را نادیده می‌گیرد. هر چند این موضوع، نتایج تجزیه و تحلیل را ساده‌تر می‌کند، اما منجر به از دست رفتن اطلاعات مربوط به تجزیه و تحلیل فرآیندها می‌شود.

فرآیند کاوی چند سطحی، برای مقابله با این مشکل از یک الگوریتم خاص استفاده می‌کند. این الگوریتم، می‌تواند چندین موجودیت مختلف را تعریف کرده و تعاملات آنها را در فرآیندهای داده شده ردیابی کند. در نتیجه، فرآیند کاوی چند سطحی با در نظر گرفتن روابط بین موجودیت‌ها، قادر است تجزیه و تحلیل دقیق‌تری ارائه دهد. بنابراین کاربران می‌توانند در یک موجودیت، فعالیت‌هایی را که منجر به انحراف و تنگنا در سایر موجودیت‌ها می‌شود، شناسایی کنند.

فرآیند کاوی چند سطحی چگونه کار می‌کند؟

روش کار فرآیند کاوی چند سطحی یا MLPM را با مثالی از P2P بررسی می‌کنیم.

• درخواست خرید: خریدار، 2 درخواست خرید یا تقاضای تایید خرید برای 4 کالای مختلف ارسال می‌کند.

• سفارش: بخش تدارکات یک سفارش واحد با یک خط برای هر کالا ایجاد می‌کند.

• رسید کالا: اقلام در یک رسید با یک خط برای هر کالا در انبار دریافت و ثبت می‌شوند.

• فاکتور: فروشنده فاکتور را به اشتراک می‌گذارد، بخش حسابداری، موارد دریافتی را پردازش و فاکتور را پرداخت می‌کند.

نکته مهمی که باید به آن توجه کنید، هزینه این فرآیند است که به محاسبه تعداد صحیح درخواست خرید، سفارشات، رسید کالا و فاکتورها بستگی دارد.

ابزارهای استخراج فرآیند سنتی، برای هر درخواست یک مورد ایجاد می‌کنند و هزینه فاکتورها را برای 4 فاکتور به صورت مجزا محاسبه می‌کنند. در حالی که فرآیند کاوی چند سطحی با شناسایی ارتباط بین رویدادهای مرتبط، آنها را به عنوان یک مورد واحد ثبت کرده و هزینه را به صورت درست و دقیق محاسبه می‌کند.

فرآیند کاوی چند سطحی چگونه تایید می‌شود؟

اما برای تایید MLPM از داده‎‌های نمونه می‌توانید از یک فرآیند چند سطحی در ابزار فروشندگان در طول فرآیند PoC استفاده کنید.

• خوب است بدانید اثبات مفهوم (PoC)، نمایش محصولی است که بررسی می‌کند چقدر احتمال دارد یک ایده به واقعیت تبدیل شود. این مفهوم به جای تمرکز بر ایجاد یا توسعه ایده، امکان پذیر بودن و عملی بودن آن را آزمایش می‌کند.

از داده‌های نمونه از یک فرآیند چند سطحی در طول فرآیند PoC استفاده کنید و موارد خاص و پیچیده را مورد توجه قرار دهید.

به عنوان مثال در مورد P2P، لازم است موارد زیر انجام شود:

• ادغام چندین درخواست در یک سفارش

• تقسیم یک درخواست به چندین سفارش

• ادغام چندین سفارش در یک فاکتور

• تقسیم سفارش‌های متعدد به اقلام و پوشش آنها توسط چندین فاکتور

• پوشش یک سفارش توسط چندین فاکتور

اگر توانستید یکی از این موارد را اعمال کنید، یعنی چندین سفارش ایجاد شده از یک درخواست را در مدل ردیابی کنید یا با باز کردن یک برگه جدید به یک فرآیند فرعی، بزرگنمایی کنید، نشانه آن است که الگوریتم MLPM در کشف فرآیند به درستی پیاده‌سازی شده است.

فرآیند کاوی چند سطحی چگونه مشکلات داده‌ها را حل می‌کند؟

یکی از مسائل مهم فرآیند کاوی، حجم بالای داده‌ها و گزارش‌های‌ رویداد است. گزارش‌های رویداد شامل اطلاعات کامل و دقیق از رویدادهاست که به عنوان مسائل و موضوعات مستقل خرد (granularity) شناخته می‌شوند.

در فرآیند کاوی سنتی، این گزارش‌های رویداد بزرگ به بخش‌های کوچکتر تقسیم شده و سپس برای تجزیه و تحلیل، خوشه‌بندی می‌شوند. اما تحلیلگران، اغلب شکایت دارند اطلاعات زیادی که می‌توانست بر تحلیل فرآیند تاثیر بگذارد، را از دست داده‌اند. بنابراین، آنها نمی‌توانند بفهمند سطوحی که نادیده گرفته‌اند، تا چه اندازه در تجزیه و تحلیل موثر است. از سوی دیگر وقتی تحلیلگران سعی می‌کنند از همه اطلاعات استفاده کنند، در نهایت با مدل‌های آشفته‌ای مواجه می‌شوند.

اما فرآیند کاوی چند سطحی می‌تواند بر این مشکلات غلبه کند. از آنجا که MLPM شامل سطوح متعدد برای یک موجودیت در یک مدل است، در نتیجه، مدل‌ها نسبت به رویکرد سنتی کاربر پسندتر می‌شوند. به این ترتیب، تحلیلگرانی که می‌خواهند رفتار کاربران را با استفاده از فرآیند کاوی درک کنند، می‌توانند فعالیت‌ها را در امتداد خطوط فرآیندهای فرعی در درخت فعالیت ((activity tree)، ردیابی کنند.

فرآیند کاوی چند سطحی چگونه به اندازه‌گیری تاثیر تغییرات کمک می‌کند؟

معمولا کسب و کارها، برای وظایف و فعالیت‌های مشخصی که به صورت دستی انجام می‌شود، اتوماسیون یا تغییرات را با هدف بهبود عملکرد کلی فرآیندها، پیاده سازی و اجرا می‌کنند. اما این تغییرات خطر تاثیرگذاری بر سایر فرآیندهای فرعی را نیز به دنبال دارد که آنها نیز تحت تاثیر این تغییرات قرار خواهند گرفت. از آنجا که فرآیندهای فرعی با هم در تعامل هستند، مشخص نیست چگونه افزایش کارایی برای یک فرآیند فرعی، مانند درخواست‌ها، می‌تواند گلوگاه جدیدی در سطح فاکتور ایجاد کند.

کاربران می‌توانند تاثیر این تغییرات را در یک سطح بر سطح دیگر با کمک فرآیند کاوی چند سطحی شبیه سازی و اندازه‌گیری کنند.

فرآیند کاوی چند سطحی چگونه حسابرسی را بهبود می‌بخشد؟

یکی از موارد استفاده اصلی برای فرآیند کاوی، حسابرسی است. چرا که فرآیند کاوی می‌تواند زمان و تلاش‌های دستی اختصاص داده شده برای بررسی‌ها و مقایسه‌ها را کاهش دهد. همچنین، فرآیند کاوی چند سطحی می‌تواند جریان فرآیند را ترسیم کرده و آن را با قوانین بارگذاری شده یا مدل‌های ایده‌آل مقایسه کند. بدون MLPM، فرآیندهای چند سطحی فقط در سطح بالا قابل ممیزی هستند، در حالی که MLPM یا فرآیند کاوی چند سطحی، امکان حسابرسی دقیق تمام مراحل درگیر در فرآیند را فراهم می‌کند.

فرآیند کاوی چند سطحی با چه چالش‌هایی روبروست؟

تحلیل فرآیندهای MLPM، نسبت به سایر الگوریتم‌های کشف فرآیند، به زمان بیشتری نیاز دارد، چرا که محاسبات چند سطحی منابع فشرده‌تری دارند. برای فرآیندهای پیچیده، log ها حاوی ردپاها و رویدادهای بیشتر برای هر ردیابی هستند که زمان تحلیل را طولانی‌تر می‌کند. در چنین مواردی، یک مرحله پاکسازی داده‌های قبلی برای کوچک کردن نمونه‌ها مورد نیاز است.

***

در رویکرد فرآیند کاوی سنتی، کاربران مجبورند یک موجودیت را به عنوان شناسه فرآیند انتخاب کنند که این موضوع بر تحلیل‌هایی که باعث هم‌گرایی و واگرایی داده‌ها می‌شود، موثر است. به بیان دیگر، رویکرد فرآیند کاوی سنتی با تمرکز بر یک موجودیت، روابط پیچیده با سایر موجودیت‌ها را نادیده می‌گیرد.

برای مدیریت درست و دقیق روابط در یک فرآیند، به فرآیند کاوی چند سطحی نیاز دارید. با این روش، کاربران می‌توانند در یک فرآیند، موجودیت‌های مختلفی ترسیم کنند که چندین شناسه فرآیند را تعریف می‌کند. فرآیند کاوی چند سطحی یا MLPM، به کاربران امکان می‌دهد تا فرآیندها را با حفظ تمام روابط به درستی تجزیه و تحلیل کنند.