Прогностичний моніторинг бізнес-процесів у рамках розвитку цифрової економіки

Мшвідобадзе Т. І.

Стаття

Випуск:	2025 №2 (90)
Рубрика:	Економіка підприємства
УДК:	330.341.1
DOI:	https://doi.org/10.33271/ebdut/90.185
Мова статті:	Англійська
Сторінки:	185-194
Заголовок:	Прогностичний моніторинг бізнес-процесів у рамках розвитку цифрової економіки
Автор:	Мшвідобадзе Т. І., Горійський державний університет
Анотація:	Методологія дослідження. У цій статті ми представляємо підхід до аналізу таких журналів подій з метою прогнозного моніторингу бізнес-обмежень під час виконання бізнеспроцесу. У будь-який момент виконання процесу користувач може визначити бізнесобмеження у вигляді лінійних правил часової логіки. Фреймворк визначає значення вхідних даних, які з більшою чи меншою ймовірністю відповідають кожному бізнес-обмеженню. Цей підхід був реалізований в інструментах інтелектуального аналізу процесів ProM. Результати. Результати показують, що ця модель може забезпечити конкурентоспроможну продуктивність класифікації, створювати моделі з високою інтерпретацією та ефективно скоротити зусилля на підготовку даних. Розрахунок критеріїв коефіцієнта інформаційного посилення виконується та відображається в алгоритмі з використанням відповідних рівнянь та рекурсивної функції. У цій статті ми описуємо J48SS, новий індуктор дерева рішень, заснований на алгоритмі C4.5. Алгоритм експериментально перевірено в реальному середовищі аналітики бізнес-мовлення. Показано, що J48SS ефективно зменшує зусилля на підготовку даних, а використання бінарних розбиття показує, що дерево повністю зростає. Подальша робота може бути присвячена дослідженню ансамблів дерев J48 та застосуванню запропонованого алгоритму до відповідної бази даних, де природним чином виникають усітипи підтримуваних атрибутів. Також, майбутнім напрямком досліджень може бути розширення моделі для роботи з формулами часової логіки. Таке формулювання дозволило б дереву рішень враховувати зв'язки між значеннями різних атрибутів, замість того, щоб розглядати кожен з них окремо. Новизна. У цій статті представлено J48SS, новий навчальний засіб дерева рішень, який може поєднувати статичні, послідовні дані та дані часових рядів для цілей класифікації. Новий алгоритм базується на популярному навчальному додатку дерева рішень C4.5 та спирається на концепції частого вилучення шаблонів та генерації формул часових рядів. Показано фреймворк для прогнозного моніторингу бізнес-процесів. Практична значущість. У цій статті ми пропонуємо реалізацію алгоритму MapReduce C4.5. Емпіричні результати показують, що реалізація алгоритму демонструє як ефективність з точки зору часу, так і масштабованість.
Ключові слова:	Цифрова економіка, Моделювання бізнес-процесів, Моніторинг процесів, Алгоритм С4.5
Файл статті:	EV20252_185-194.pdf
Література:	1. Anand, M. (2019). Analytics: Fueling The Digital Economy. Digitalist magazine. Retrieved from https://www.digitalistmag.com/future-of-work/2017/02/06/analytics-fueling-digital-economy-pp.45-60. 2. Aalst, W.M.P., Pesic, M., & Song, M. (2019). Beyond process mining: From the past to present and future. In: Pernici, B. (ed.) CAiSE 2010. LNCS, vol. 6051, pp. 38-52. Springer, Heidelberg. https://doi.org/10.1007/978-3-642-13094-6_5 3. Brynjolfsson, E., & Kahin, B. (2000). Introduction, in Understanding the Digital Economy. / E. Brynjolfsson, B. Kahin (eds). Cambridge: MIT Press. pp. 1-10. 4. Bowyer, J., Hal,l L., Moore, T., Chawla, N., and Kegelmeyer, W. (2000). A parallel decision tree builder for mining very large visualization datasets. Proceedings from MIIM ‘2000: IEEE International Conference «Systems, Man, and Cybernetics», vol. 3, pp. 188-189. 5. Bukht, R., & Hicks, R. (2018). Definition, concept and measurement of the digital economy. Bulle- tin of international organizations. V. 13, № 2, pp. 143-172. https://doi.org/10.17323/1996-7845-2018-02-07 6. Baruque, B., & Corchado, E. (2019). Fusion methods for unsupervised learning, ensembles, (Vol. 322). Berlin, Germany: Springer. P. 87. 7. Conforti, R., de Leoni, M., La Rosa, M., & van der Aalst, W.M.P. (2013). Supporting risk-informed decisions during business process execution. In: Salinesi, C., Norrie, M.C., Pastor, O. (eds.) CAiSE 2013. LNCS, vol. 7908, pp. 116-132. Springer, Heidelberg. https://doi.org/10.1007/978-3-642-38709-8_8 8. Dahlman, C., Mealy, S., Wermelinger, M. (2016). Harnessing the Digital Economy for Developing Countries. Paris: OECD. Retrieved from http://www.oecdilibrary.org/docserver/download/4adffb24-en.pdf 9. Donadello, I., Francescomarino, Ch., Magg, F., Ricci, F., & Shikhizada, A. (2023). Outcome-Oriented Prescriptive Process Monitoring based on Temporal Logic Patterns. Engineering Applications of Artificial Intelligence, Volume 126, Part B, Elsevier, pp. 28-35. https://doi.org/10.1016/j.engappai.2023.106899 10. Data Age 2025. The Digitization of the World. Seagate. Retrieved from https://www.seagate.com/ru/ru/our-story/data-age-2025/ 11. Digital Globalization: The New Era of Global Flows. New York, NY: McKinsey Global Institute. Retrieved from mode: https://www.mckinsey.de/sites/mck_files/files/mgi_digital_globalization.pdf; 12. Fournier,-Viger, P., Gomariz, A., Šebek, M., & Hlosta, M. (2014). VGEN: Fast Vertical Mining of Sequential Generator Patterns. In Proceedings from MIIM ’14: Sixteenth International Conference «Data Warehousing and Knowledge Discovery», Munich, Germany, (1-5 September, 2014). (pp. 476-488). 13. Geissbauer, R., Vedso, J., & Schrauf, S. (2016). Industry 4.0: Building the Digital Enterprise. London: Pwc. Retrieved from https://www.pwc.com/gx/en/industries/industries-4.0/landing-page/industry-4.0-building-yourdigital-enterprise-april-2016.pdf 14. Howe, J., Costanzo, M., Fey, P., Gojobor, T.i, Hannic, L.k, & Rhee, S. (2008). Big data: The future of biocuration. Nature, vol. 455, no.7209, pp. 47-50. 15. Kang, B., Kim, D., & Kang, S.H. (2012). Real-time business process monitoring method for prediction of abnormal termination using knni-based lof prediction. Expert Syst. P.120. 16. Lo, D., Cheng, H. (2011). Lucia: Mining closed discriminative dyadic sequential patterns. In: Proc. of EDBT, (pp. 21-32). Springer. https://doi.org/10.1145/1951365.1951371 17. Manyika, J. et al. (2016). Digital Globalization: The New Era of Global Flows. New York, NY: McKinsey Global Institute. Retrieved from https://www.mckinsey.de/sites/mck_files/files/mgi_digital_globalization.pdf (pp. 41-47). 18. OECD (2016). Measuring GDP in a Digitalised Economy. Paris. Retrieved from www.oecd.org/dev/Measuring-GDP-in-a-digitalised-economy.pdf 19. Pesic, M., Schonenberg, H., van der Aalst, W.M.P. (2019). Declare: Full support for loosely structured processes. Proceedings from MIIM ‘19: EDOC, pp. 287-300. 20. Panigrahi, R., & Borah, S. (2018). Rank Allocation to J48 Group of Decision Tree Classifiers using Binary and Multiclass Intrusion Detection Datasets. Procedia Computer Science, Volume 132, pp. 323-332. 21. Pika, A., van der Aalst, W.M.P., Fidge, C.J., ter Hofstede, A.H.M., & Wynn, M.T. (2013). Predicting deadline transgressions using event logs. In: La Rosa, M., Soffer, P. (eds.) BPM Workshops 2012. LNBIP, vol. 132, pp. 211-216. Springer, Heidelberg. https://doi.org/10.1007/978-3-642-36285-9_22 22. Quinlan, J. (1993). C4.5: Programs for Machine Learning. M. Kaufmann Publishers Inc, p. 37. 23. Quinlan, J., (1996). Improved use of continuous attributes in C4.5. ArXiv preprint cs/9603103, pp. 78-82. https://doi.org/10.1613/jair.279 24. Suriadi, S., Ouyang, C., van der Aalst, W.M.P., & der Hofstede, A.H.M. (2013). Root cause analysis with enriched process logs. In: La Rosa, M., Soffer, P. (eds.) BPM Workshops. Lecture Notes in Business Information Processing, vol. 132, pp. 174-186. Springer, Heidelberg. https://doi.org/10.1007/978-3-642-36285-9_18 25. Westergaard. M., & Maggi, F.M. (2011). Modeling and verification of a protocol for operational support using coloured petri nets. In: Kristensen, L.M., Petrucci, L. (eds.) PETRI NETS 2011. LNCS, vol. 6709, pp. 169-188. Springer, Heidelberg. 26. Wolf, F., Brunk J., Becker J. (2021). A Framework of Business Process Monitoring and Prediction Techniques, Springer International Publishing, pp. 43-47. https://doi.org/10.1007/978-3-030-86797-3_47 27. Wil M.P. van der Aalst (2022). Process Mining: A 360 Degree Overview, Springer. https://doi.org/10.1007/978-3-031-08848-3_1 28. Xu,M, wang, J., & Chen, T. (2006). Improved decision tree algorithm: ID3+, intelligent computing in signal. Processing and pattern recognition, Vol. 345, pp. 141-149.