اهداف فرآیندکاوی

برای پیاده‌سازی فرآیندکاوی Process Mining در سازمان‌ها، متدولوژی‌های مختلفی وجود دارد که مراحل و فعالیت‌های مورد نیاز را برای اجرای موفق این فرآیند تعریف می‌کنند. در زیر، تعدادی از متدولوژی‌های رایج در پیاده‌سازی فرآیندکاوی در سازمان‌ها را بررسی میکنیم:

متدولوژی CRISP-DM (Cross-Industry Standard Process for Data Mining): این متدولوژی یک مدل کلی برای پیاده‌سازی فرآیندکاوی و استخراج دانش از داده‌هاست. این متدولوژی شامل شش مرحله اصلی است که عبارتند از: فهم کسب‌وکار، فهم داده‌ها، آماده‌سازی داده‌ها، مدل‌سازی، ارزیابی و تفسیر نتایج.

متدولوژی TDSP (Team Data Science Process): این متدولوژی توسط مایکروسافت ارائه شده است و شامل مجموعه‌ای از فعالیت‌ها و مراحل برای اجرای پروژه‌های فرآیندکاوی است. این متدولوژی شامل فعالیت‌هایی مانند تعریف هدف، جمع‌آوری و آماده‌سازی داده‌ها، مدل‌سازی، ارزیابی و انتشار مدل‌ها است.

متدولوژی CRISP-PM (Cross-Industry Standard Process for Process Mining): این متدولوژی برای پیاده‌سازی فرآیندکاوی واقعی در سازمان‌ها طراحی شده است. این متدولوژی شامل مراحلی مانند شناخت داده‌ها، استخراج فرآیندها، تحلیل فرآیندها و بهبود فرآیندها است.

پیشنهاد پژواک بیشتر بخوانید: کاربردهای فرآیند کاوی

این متدولوژی‌ها تنها چند نمونه از متدولوژی‌های مورد استفاده در پیاده‌سازی فرآیندکاوی در سازمان‌ها هستند. هر سازمان ممکن است بر اساس نیازها، منابع و شرایط خاص خود، متدولوژی‌های مختلف را انتخاب و تطبیق دهد.در ادامه هر کدام از این متدلوژی ها رو بیشتر باز میکنیم:

CRISP-DM

متدولوژی CRISP-DM (Cross-Industry Standard Process for Data Mining):

متدولوژی CRISP-DM یک مدل کلی برای پیاده‌سازی فرآیندکاوی و استخراج دانش از داده‌هاست. این متدولوژی شامل شش مرحله اصلی است:

فهم کسب‌وکار (Business Understanding): در این مرحله، هدف اصلی و نیازهای تجاری مشخص می‌شوند و سوالات مربوط به فرآیندکاوی مورد نظر و محدوده پروژه تعیین می‌گردد.

فهم داده‌ها (Data Understanding): در این مرحله، داده‌های موجود مورد بررسی قرار می‌گیرند، کیفیت داده‌ها بررسی می‌شود و داده‌های مورد نیاز برای پروژه جمع‌آوری می‌شوند.

آماده‌سازی داده‌ها (Data Preparation): در این مرحله، داده‌ها برای مدل‌سازی آماده می‌شوند، از جمله پاکسازی داده‌ها، تبدیل فرمت، ادغام داده‌ها و انتخاب ویژگی‌ها.

مدل‌سازی (Modeling): در این مرحله، مدل‌های فرآیندکاوی ساخته می‌شوند. ممکن است از الگوریتم‌های مختلفی مانند شبکه عصبی، درخت تصمیم، رگرسیون و… استفاده شود.

ارزیابی (Evaluation): در این مرحله، مدل‌های ساخته شده ارزیابی می‌شوند. عملکرد مدل‌ها بر روی داده‌های آزمون مورد ارزیابی قرار می‌گیرد و میزان مطابقت با هدف‌ها بررسی می‌شود.

تفسیر نتایج (Deployment): در این مرحله، نتایج بدست آمده از مدل‌ها برای استفاده در سازمان تفسیر می‌شوند و به مدیران و کاربران نشان داده می‌شوند.

TDSP یا Team Data Science Process

متدولوژی TDSP توسط مایکروسافت ارائه شده است و برای اجرای پروژه‌های فرآیندکاوی استفاده می‌شود. این متدولوژی شامل چهار مرحله اصلی است:

    تعریف هدف (Define): در این مرحله، هدف پروژه، سوالات مورد نیاز برای پاسخگویی و محدوده پروژه تعریف می‌شوند.

    جمع‌آوری و آماده‌سازی داده‌ها (Data Acquisition and Preparation): در این مرحله، داده‌های مورد نیاز برای پروژه جمع‌آوری می‌شوند و برای استفاده آماده می‌شوند.

    مدل‌سازی (Modeling): در این مرحله، مدل‌های فرآیندکاوی ساخته می‌شوند و پارامترهای مدل تنظیم می‌شوند.

    ارزیابی و انتشار (Evaluation and Deployment): در این مرحله، مدل‌های ساخته شده ارزیابی می‌شوند و نتایج به کاربران و تیم‌های مربوطه ارائه می‌شود.

پیشنهاد پژواک بیشتر بخوانید: چرخه مدیریت فرآیند

CRISP-PM یا Cross-Industry Standard Process for Process Mining

متدولوژی CRISP-PM برای پیاده‌سازی فرآیندکاوی واقعی در سازمان‌ها طراحی شده است. این متدولوژی شامل چهار مرحله اصلی است:

    شناخت داده‌ها (Data Awareness): در این مرحله، داده‌های موجود در سازمان شناخته می‌شوند و نیازهای مدل‌سازی تعیین می‌شوند.

    استخراج فرآیندها (Process Discovery): در این مرحله، فرآیندها از داده‌های موجود استخراج می‌شوند و مدل‌های فرآیندکاوی ساخته می‌شوند.

    تحلیل فرآیندها (Process Analysis): در این مرحله، فرآیندها تحلیل می‌شوند و مشکلات، عوامل عملکرد و فرصت‌های بهبود در فرآیندها شناسایی می‌شوند.

    بهبود فرآیندها (Process Improvement): در این مرحله، بر اساس تحلیل فرآیندها، اقدامات بهبودی اعمال می‌شود و فرآیندها بهینه می‌شوند.