Minería de Procesos
URI permanente para esta colección:
Artículos en la categoría Minería de Procesos publicados en las Actas de las XIV Jornadas de Ciencia e Ingeniería de Servicios (JCIS 2018).
Notificar un error en esta colección
Examinar
Envíos recientes
Resumen Run-time prediction of business process indicators using evolutionary decision rulesMárquez Chamorro, Alfonso E.; Resinas, Manuel; Ruiz-Cortés, Antonio. Actas de las XIV Jornadas de Ciencia e Ingeniería de Servicios (JCIS 2018), 2018-09-17.Summary of the contribution Predictive monitoring of business processes is a challenging topic of process min- ing which is concerned with the prediction of process indicators of running pro- cess instances. The main value of predictive monitoring is to provide information in order to take proactive and corrective actions to improve process performance and mitigate risks in real time. In this paper, we present an approach for pre- dictive monitoring based on the use of evolutionary algorithms. Our method provides a novel event window-based encoding and generates a set of decision rules for the run-time prediction of process indicators according to event log properties. These rules can be interpreted by users to extract further insight of the business processes while keeping a high level of accuracy. Furthermore, a full software stack consisting of a tool to support the training phase and a framework that enables the integration of run-time predictions with business process man- agement systems, has been developed. Obtained results show the validity of our proposal for two large real-life datasets: BPI Challenge 2013 and IT Department of Andalusian Health Service (SAS).Resumen Discovering Infrequent Behavioral Patterns in Process ModelsChapela-Campa, David; Mucientes, Manuel; Lama Penin, Manuel. Actas de las XIV Jornadas de Ciencia e Ingeniería de Servicios (JCIS 2018), 2018-09-17.In this paper we present WoMine-i, a novel algorithm to detect infrequent be- havioural patterns from a process model, measuring their frequency with the in- stances of the log. A behavioural pattern is a subgraph of the process model, com- posed by all type of structures —sequences, selections, parallels and/or loops—, which represents the behaviour of a part of the process. And it is considered infrequent when its complete execution happens in a number of cases from the log below a predefined threshold. To find the infrequent patterns, WoMine-i performs an a priori search starting with the minimal structures of the model. In this search, there is an expansion stage done in two ways: i) adding other minimal structures not contained in the current pattern, and ii) adding arcs. This expansion is followed by a pruning strategy that verifies the upward-closure property of support —also known as monotonicity. This property ensures that if a pattern is infrequent, all patterns containing it will be infrequent and, thus, it is no necessary to continue expanding it —the minimum pattern itself expresses all the infrequent behaviour containing it. This pruning presents an exception in order to simplify the results: If a pattern is infrequent and maintains the value of its frequency with the expansion, it is not removed from the expansion stage —it means it is being expanded with a selection branch with less frequency. In this way, WoMine-i returns the largest patterns expressing the minimum infrequent behaviour. In each step of the iterative process, WoMine-i reduces the search space by pruning some of the generated patterns. For this, an algorithm to check the frequency of a pattern is needed. WoMine-i generates the different paths of a pattern, henceforth simple patterns, and checks the frequency of each one. To measure the frequency of a simple pattern, WoMine-i replays the traces of the log and checks how many of them are compliant with it. At each step of the replay, the algorithm checks if the simple pattern is being correctly executed. Afterwards, WoMine-i assigns to the pattern the higher of its simple patterns frequency, and checks if the pattern is considered frequent w.r.t. the threshold. Thereby, given a log and a corresponding model, WoMine-i is able to return the infrequent patterns of it. Allowing to study them and enhance the process consequently.Artículo Detección de concept drift en minería de procesos basado en agrupamiento de trazasGallego Fontenla, Víctor José; Vidal, Juan C.; Lama Penin, Manuel. Actas de las XIV Jornadas de Ciencia e Ingeniería de Servicios (JCIS 2018), 2018-09-17.En este artículo se presenta un método para la detección y localización de concept drift en minería de procesos, que, a diferencia del resto de propuestas del estado del arte, combina técnicas de agrupamien- to de trazas y descubrimiento de modelos para realizar una clasificación de las trazas de ejecución contra una serie de modelos que constituyen el ground truth de nuestro sistema. Esta aproximación permite detectar, localizar y caracterizar los cambios y evaluar la evolución sufrida por el proceso. El algoritmo ha sido validado con un registro de eventos sintético que presenta puntos de concept drift, demostrando que la aproximación tomada es válida a la hora de detectar cuándo tiene lugar un cambio en la estructura del modelo de proceso.Resumen Analysis of users’ behavior in structured e-commerce websitesHernández, Sergio; Alvarez, Pedro; Fabra, Javier; Ezpeleta, Joaquín. Actas de las XIV Jornadas de Ciencia e Ingeniería de Servicios (JCIS 2018), 2018-09-17.Los portales de comercio electrónico almacenan información sobre las páginas que visitan sus clientes y las acciones y servicios que estos usan durante la navegación. Esta información se puede enriquecer combinándola con los datos personales, geográficos, demográficos e historiales de compra de cada cliente particular. El análisis de todos estos datos permite ofrecer servicios más personalizados, mejorar la estructura y contenidos del portal, evaluar el impacto de las campañas publicitarias o fidelizar a nuevos clientes, entre otros usos. En este trabajo se propone el uso de técnicas de “model-checking” para el análisis del comportamiento que presentan los usuarios de un comercio electrónico. El procesado de los ficheros log del servidor permite extraer información sobre las sesiones de usuario. Una sesión se describe por medio de una secuencia de eventos (visitar un producto, visitar una categor??a, añadir/eliminar un producto del carro, usar el buscador, comprar, etc.), donde cada evento consta de una colección de atributos que ofrece una visión detallada de lo sucedido. La técnica de análisis propuesta permite al experto en el negocio descubrir patrones de comportamiento habituales e inusuales de sus usuarios/clientes. Este descubrimiento se realiza por medio de una estrategia de inspección, es decir, a través de preguntas que son evaluadas contras las sesiones de usuario. Estas preguntas indagan sobre relaciones de causalidad de interés entre los eventos y son expresadas por medio de un nuevo tipo de lógica temporal lineal y evaluadas con un “model-checker”. En este art??culo 1 se presenta la metodolog??a de análisis, la herramienta construida y un caso de aplicación real. Este caso corresponde con el análisis del portal de venta de la empresa Up&Scrap, el principal distribuidor español online de productos de scrapbooking. Este trabajo de investigación está financiado por los proyectos TIN2014- 56633-C3-2-R y TIN2017-84796-C2-2-R del Ministerio de Econom??a, Industria y Competitividad del Gobierno de España.