Inteligência Analítica em Processos de Negócios: Uma Revisão da Literatura

Transcrição

1 Inteligência Analítica em Processos de Negócios: Uma Revisão da Literatura Francieli F. R. Viane (Universidade FUMEC, Minas Gerais, Brasil) Vitor Afonso Pinto (Universidade FUMEC, Minas Gerais, Brasil) Fernando Silva Parreiras (Universidade FUMEC, Minas Gerais, Brasil) Resumo É inegável a importância que os processos de negócios têm tido nos últimos anos no âmbito organizacional. Os processos de negócio devem sempre estar alinhados com os objetivos da organização. Por meio de processos podem-se definir passos para alcançar os objetivos ou resultado esperados pela organização da maneira mais eficiente possível. Com o crescimento do uso de técnicas de gerenciamento de processos, vários sistemas de informação estão se tornando cientes dos processos. Como consequência, o volume de dados e rastros de processos de negócios vem aumentando cada vez mais, dificultando o gerenciamento e a análise desses dados. Além disso, o grande volume de dados torna a atividade de análise cada vez mais difícil de ser realizada manualmente e consome cada vez mais tempo dos analistas e outros envolvidos. Uma das tendências para a área de gerenciamento de processos (business process management) que vem ganhando bastante atenção de diversos pesquisadores é a integração entre as técnicas de Business Analytics (BA) e Big Data e processos de negócio. Esta pesquisa tem o objetivo de verificar como esta integração vem sendo utilizada na área de processos de negócios. Para tal finalidade, foi utilizada a revisão sistemática de literatura. Com esta pesquisa percebeu-se que muito tem sido feito na área de process mining, principalmente com as técnicas de descobrimento de processos e verificação de conformidade. Uma terceira técnica do process mining é o aprimoramento (ou extensão) de modelo de processos, que permite evoluir um modelo de processos utilizando dados de execução de processos. Não foi encontrada nenhuma publicação sobre esta técnica ao longo desta pesquisa. Tem-se ainda, técnicas como o process warehouse, que utiliza técnicas de data warehouse na área de processos de negócios. Apesar de promissoras, estas técnicas ainda possuem limitações que inviabilizam suas aplicações em um ambiente organizacional, uma vez que estas não são capazes de lidar com alguns problemas relacionados gravação de logs de eventos ou processos não estruturados, por exemplo. Palavras-chave: Inteligência de Processos de Negócio, Análise de Processos de Negócio, Mineração de processos de negócio. Abstract 2429

2 The importance of business process on organizational environment became undeniable over the past years. Business process must be aligned with the goals of organization. Through business process is possible to define steps to reach goals or results as expected for organization as efficiently as possible. With the increasing use of business process management techniques, information systems are becoming process aware. Consequently, data volume and process traces are growing increasingly, making difficult to analyze and manage these data. In addition, process analysis is an increasingly difficult activity to be performed, due to the large volume of data and it is increasingly time consuming for analysts and other people involved. One of the trends for business process management that have gained a lot of attention from various researchers is the integration between Business Analytics and big data techniques and business process. This research aims to verify how this integration has been utilized for business process. For this purpose, systematic literature review was used. Through this research, it was possible to notice that a lot of work has been done in process mining field, mainly for process discovery and conformance checking techniques. Another process mining technique is process enhancement (or extension), which allows to evolve a process model using process execution data. No paper about this technique was found during this research. There are also, techniques such as process warehouse, which utilizes data warehouse techniques in business processes field. Although promising, these techniques still have limitations that make their application impracticable in an organizational environment, since these techniques are not able to deal with some problems related event logs recording or unstructured processes, for example. Keywords: Business Process Intelligence, Business Process Analytics, Business Process mining. 1. Introdução Processos de negócio produzem um grande volume de dados durante sua execução. Esses dados são muito importantes, pois representam todo o conhecimento sobre as operações da organização. Os dados de processos devem ser analisados e muitas vezes, os resultados dessas análises devem ser entregues rapidamente. Com o grande volume de dados de processos gerados e a desestruturação desses dados, esta análise se torna um desafio. Uma das tendências para a área de gerenciamento de processos de negócios é o uso das técnicas de Big Data e de Business Analytics. A junção dessas tecnologias vem atraindo cada vez mais a atenção de pesquisadores. Tem-se como fruto da junção de processos de negócios, big data e business analytics técnicas como process mining, process analysis, process warehouse e process intelligence. Muitas dessas técnicas utilizam o log de eventos de sistemas de informação ou de sistemas de gerenciamento de processos para efetuar análises dos processos de negócios. 2430

3 Apesar de serem bastante estudadas atualmente, essas técnicas estão longe da perfeição e podem ser melhoradas. Com este artigo pretende-se catalogar as falhas apresentadas por essas técnicas e as soluções propostas por diversos pesquisadores, a fim de indicar os problemas existentes e suas possíveis soluções. Com esta pesquisa pretendese responder a seguinte pergunta: ''Quais são as tecnologias, ferramentas e conceitos que viabilizam a inteligência de processos em uma organização?''. Este artigo está organizado da seguinte maneira: o capítulo 2 apresenta o referencial teórico. O capítulo 3 descreve o método de pesquisa utilizado. O capítulo 4 descreve os resultados encontrados ao longo deste estudo e, por fim, o capítulo 5 conclui este artigo. 2. Referencial Teórico 2.1. A integração entre Business Process, Process Analytics e Big Data Quando uma organização atinge altos níveis de maturidade de gerenciamento de processos esta pode armazenar uma grande quantidade de dados de execução de processos de negócio (Vera-Baquero et al., 2013). Dado o crescimento da quantidade de dados do log de eventos de processos e as novas tendências de business intelligence, novas abordagens de business process analysis poderão ser adotadas. Técnicas como o Process Mining podem ser utilizadas como um conector entre o Business Process Management e o big data (Vera-Baquero et al., 2013). De acordo com (Bronzo et al., 2013) o uso intensivo do business Analytics resulta em mudanças na forma como os processos de negócio são tratados nas organizações. Além disso, essas organizações devem ser capazes de reconstruir rotinas constantemente e eliminar procedimentos obsoletos e ineficientes, além de adotar comportamentos mais eficientes e melhor alinhados com os objetivos da organização. Com a integração das tecnologias em questão a área de processos herda consequentemente, as características analíticas e preditivas existentes. Com o process mining pode-se descobrir, analisar, verificar, melhorar os processos através da extração do conhecimento dos dados armazenados (Saylam & Sahingoz, 2013). As principais técnicas provenientes da integração entre Business Analytics, Big Data e processos de negócios serão abordadas abaixo Process Mining Process mining pode ser definido como uma disciplina emergente que provê um conjunto completo de ferramentas com a finalidade de fornecer informações baseadas em fatos e melhorar os processos de negócio. Esta nova disciplina baseia-se em abordagens voltadas para processos e data mining (Aalst, 2011a). O process mining não é um estado do data mining. Enquanto o data mining foca apenas em dados e não é orientado a processos, o process mining utiliza dados de execução de processos como entrada de dados e seus resultados são totalmente voltados para a área 2431

4 de processos. O process mining fornece uma ponte entre o data mining e o gerenciamento de processos tradicional (Yang, Wen, & Wang, 2012) De acordo com (Saylam & Sahingoz, 2013), as principais diferenças entre process mining e data mining são: Perspectiva do processo: o process mining foca no ponto de vista do processo e cria modelos completos para identificar o ponto exato onde se encontra o gargalo, enquanto muitas das técnicas de data mining utilizam padrões abstratos como regra ou uma árvore de decisões. Perspectivas são importantes: para o data mining a generalização é muito importante devido a conservação do dado que não se encaixa no processo. No process mining a generalização é importante para compreender o fluxo do processo principal e para trabalhar com processos complexos, mas descobrir gargalos é mais importante. Foco na exploração: No caso do data mining os modelos geralmente estão preparados para a previsão do futuro em situações similares no mesmo espaço. A razão é muito complicada para processos de negócios e não há estimativas precisas. As informações obtidas tanto pelo data mining quanto pelo process mining ajudam a lidar com situações complexas. O ponto de partida do process mining é o log de eventos. O log de eventos pode ser extraído de qualquer tipo de sistema de informação ou de qualquer sistema de gerenciamento, desde que este ofereça suporte para logs de eventos. O process mining utiliza os unicamente dados de logs de eventos para suas análises e pressupõe-se que se um evento não foi gravado no log de eventos, então ele não aconteceu. Existem, atualmente, três técnicas de process mining, conforme descrito abaixo: Descobrimento de processos: Através desta técnica gera-se, de maneira automática, o modelo de processos tendo o log de eventos como ponto de partida. Essa técnica tem como resultado um modelo de processo completamente novo, utilizando apenas os dados contidos no log de eventos. Alguns pesquisadores descrevem o descobrimento de processos como uma tarefa de aprendizagem de máquina (Weber, Bordbar, & Tino, 2013) não supervisionada (Tang et al., 2013), uma vez que não há exemplo negativo, ou seja, é possível saber o que aconteceu, pois está registrado no log de eventos, mas não é possível saber o que poderia acontecer. Verificação de conformidade: Ao contrário da técnica de descobrimento de processos, a verificação de conformidade de processos utiliza um modelo de processos já existente. Esta técnica tem a finalidade de verificar se um modelo de processos já existente está de acordo com o que realmente aconteceu, ou seja, verifica se o modelo de processo está de acordo com o log de eventos. Segundo (Aalst, 2012) a verificação de conformidade pode ser utilizada com as seguintes finalidades: Verificar a qualidade do processo documentado; Identificar casos de desvios e entender o que eles têm em comum; Identificar fragmentos de processos onde ocorre a maioria dos desvios; 2432

5 Auditoria; Avaliar a qualidade do modelo de processo descoberto; Guia evolucionário para melhoria de algoritmos de descobrimento de processos; Ponto de partida para a melhoria de processos. Aprimoramento de processo: Esta técnica tem a finalidade de melhorar ou estender um modelo de processos já existente utilizando os dados do log de eventos. Desta forma pode-se inserir uma nova perspectiva ao modelo existente, por exemplo. O aprimoramento de processos também é chamado extensão de processos por alguns autores, como (Hassan & Farag, 2010) e (Mans, Reijers, van Genuchten, & Wismeijer, 2012), por exemplo Process Warehouse Process warehouse está para data warehouse assim como process mining está para data mining e assim como o process mining herdou técnicas de data mining, o process warehouse traz para a área de processos de negócios diversas técnicas do data warehouse que antes eram focadas apenas em dados. O process warehouse pode ser definido basicamente como um data warehouse que pode armazenar dados executados de processos de negócios (Shahzad & Zdravkovic, 2010) e, por possuir a mesma estrutura de um data warehouse (Schiefer, Jeng, Kapoor, & Chowdhary, 2004) suporta dados com as seguintes características: Orientados a assunto; Integrados; Tempo variantes; Não voláteis e Dados resumidos ou detalhados Business Process Intelligence (BPI) Se por um lado a inteligência de processos relaciona-se à mineração de processos, (Nurminen, Honkaranta, & Karkkainen, 2007), por outro é também relaciona-se a Business Intelligence, como pode ser visto em (Mansmann, Neumuth, & Scholl, 2007). De acordo com (Grigori et al., 2004) business process intelligence refere-se à aplicação de técnicas de business intelligence na área de processos de negócios e explora informações de processos de negócios ao fornecer formas de analisá-las afim de permitir que as organizações compreendam melhor como seus processos são de fato executados (Castellanos, de Medeiros, Mendling, Weber, & Weitjers, 2009). O business process intelligence é utilizado para monitorar o alinhamento de processos operacionais com os objetivos estratégicos do negócio e para dar a visibilidade que a conformidade normativa exige. Além disso, o BPI não é restrito apenas a análise de dados históricos, mas também pode auxiliar na otimização de esforços futuros (Castellanos, de Medeiros, et al., 2009). 2433

6 3. Método de Pesquisa Este artigo utilizará a revisão sistemática de literatura como método de pesquisa, buscando realizar a análise e sintetização do conhecimento já existente no meio acadêmico. A revisão sistemática de literatura é uma forma de identificar, avaliar e interpretar toda a pesquisa relacionada a uma área de interesse (Kitchenham, 2004) e é bastante difundida na área de medicina, na qual foi constatado que o aconselhamento médico baseado na opinião dos especialistas não é tão confiável quanto o aconselhamento baseado no acúmulo de resultados de experimentos científicos (Kitchenham, Brerenton, Budgen, Turner & Linkman, 2009). O uso da revisão sistemática da literatura na área de engenharia de software foi proposto por Barbara Kitchenham em 2004 em (Kitchenham, 2004) e este trabalho se baseará nos passos propostos nesta publicação da Barbara. A seguir serão retratados os passos utilizados para esta pesquisa em questão Perguntas de Pesquisa As perguntas de pesquisa são muito importantes para a revisão sistemática de literatura (Kitchenham, 2004) uma vez que guiam o planejamento do processo de revisão (de Oca, Snoeck, Reijers, & Rodríguez-Morffi, 2014). As perguntas de pesquisa (PP) elaboradas para este artigo podem ser vistas na tabela 1. Tabela 1 - Perguntas de pesquisa ID PP1 PP2 PP2.1 PP2 Pergunta Como as técnicas de Business Analytics e Big Data vêm sendo abordadas na área de processos? Quais as principais limitações da inteligência analítica de processos? Quais as soluções propostas para essas limitações? Quais as principais tecnologias envolvidas na aquisição de inteligência de processos? Fonte: Elaborado pelos autores Com a pergunta PP1 busca-se identificar as aplicações da integração entre Business Analytics e Big Data com processos de negócio. Além disso, pretende-se identificar as áreas em que esta integração vem sendo aplicada e se as aplicações desta integração estão sendo bem sucedidas. A pergunta PP2 busca mapear os fatores que impedem ou limitam a aplicação da inteligência de processos, enquanto a pergunta PP2.1 visa sumarizar as soluções propostas, quando propostas, para os fatores limitantes identificados através da pergunta PP2. Com a PP3 pretende-se sumarizar as ferramentas utilizadas para suportar as técnicas de inteligência analítica de processos Estratégia de Pesquisa Esta pesquisa utiliza apenas busca automática. As publicações utilizadas foram extraídas das seguintes bases eletrônicas: 2434

7 ScienceDirect; ACM Digital Library e IEEE Explore. Os termos de pesquisa foram criados com base nas técnicas de inteligência analítica processos existentes atualmente. Após definir os termos de pesquisa as strings de busca foram criadas. Para esta pesquisa, foi definida uma string de busca para cada termo, totalizando cinco strings de busca para cada base, como pode ser visto na Tabela 2. Tabela 2 - Strings de busca Base ACM Digital Library IEEE Xplore Science Direct String de Busca (Abstract:"Process Intelligence") OR (Title:"Process Intelligence") ((Abstract:"business Process data") OR (Title:"business Process data")) ((Abstract:"Process analytics") OR (Title:"Process analytics")) (((Abstract:"Process analysis") OR (Title:"Process analysis"))) ((Abstract:"Process mining") OR (Title:"Process mining")) (("Abstract":"Process Intelligence") OR "Publication Title":"Process Intelligence") (("Abstract":"business Process data") OR "Publication Title":"business Process data") (("Abstract":"Process analytics") OR "Publication Title":"Process analytics") (("Abstract":"Business Process analysis") OR "Publication Title":"Business Process analysis") (("Publication,Title":"Process mining") OR "Abstract":"Process mining") TITLE-ABSTR-KEY("Process,intelligence") TITLE-ABSTR-KEY("business process data") TITLE-ABSTR-KEY("process analytics") TITLE-ABSTR-KEY("business process analysis") TITLE-ABSTR-KEY("process mining") Fonte: Elaborado pelos autores 3.3. Critérios de Exclusão e Inclusão As publicações obtidas através das strings de busca definidas no capítulo devem, então, passar pela fase de seleção, na qual serão aplicados os critérios de inclusão e seleção. Os critérios de exclusão definidos para esta pesquisa foram: Publicação não está em inglês; Publicação duplicada; Tese, livro, abstract, introdução a mini trilhas, capa, sumário, editorial e outros que não sejam considerados publicação acadêmica; 2435

8 Publicação não relacionada a processos de negócios ou inteligência de processos; Mineração de processos não é aplicada diretamente em processos de negócio. Publicação focada exclusivamente na apresentação ou melhoria de novas tecnologias, como algoritmos, frameworks, sistemas de informação, entre outros, comparação entre tecnologias ou integração entre processos de negócio e outras tecnologias; Publicação sem acesso gratuito. Também foram definidos os seguintes critérios para inclusão: Publicação em inglês; Artigo ou capítulo de livro; Publicação sobre process mining, process warehouse, process analytics; Publicação relacionada à inteligência de processos. Publicação propõe solução para alguma das limitações encontradas Seleção das Publicações A busca automática utilizada para este estudo retornou, ao todo, 1036 publicações distribuídas entre as bases utilizadas. Os critérios de seleção foram aplicados a todas as publicações. Nesta fase, os abstracts de todos os artigos foram lidos e foi verificado se, de acordo com seu resumo, um dado artigo atende ou não os objetivos desta pesquisa. Ao fim desta fase, foram selecionadas 289 publicações. As outras 847 publicações foram desconsideradas. As 289 publicações remanescentes são todas aquelas que aparentemente atendem os critérios de inclusão ou deixaram alguma margem de dúvida. Neste caso, estas publicações ainda podem ser descartadas na fase de extração. A Figura 1 representa a quantidade de artigos excluídos na fase de seleção por motivo de exclusão Extração de Dados Os 289 artigos selecionados na fase de seleção foram todos lidos e novamente foi verificado se estes artigos se enquadram nos objetivos desta pesquisa. Desta vez o conteúdo das publicações foi analisado. Deste subconjunto de publicações foram selecionadas 109. Os dados serão extraídos deste subconjunto e analisados, a fim de se obter os resultados das perguntas de pesquisa, conforme descrito no tópico deste capítulo. Neste momento da pesquisa percebeu-se também, que dentre os artigos selecionados, o período de publicação foi entre 2004 e 2014, sendo o ano de 2004 o ano em que foram publicados menos estudos sobre inteligência analítica de processos e o ano de 2013 foi o ano em que houve maior número de publicações. Note que não há nenhuma restrição quanto ao ano da publicação entre os critérios de exclusão. A figura 2 ilustra esta situação. Além disso, percebeu-se que, dentre os artigos selecionados para esta fase, o país que mais 2436

9 publicou artigos foi à Holanda, somando 47 artigos no total, seguida da Alemanha, com 11 publicações Coleta de Dados Figura 1 - Total de artigos excluídos na fase de seleção Fonte: Elaborado pelos autores Ao ler os artigos, os seguintes dados foram extraídos: 1. Título 2. Autor(es) 3. Ano de publicação 4. País 5. Tipo de publicação 6. Abstract 7. Aplicação proposta pelo(s) autor(es) ao longo do artigo 8. Tipo de organização 9. Área ou setor da organização em que o a aplicação foi utilizada ou proposta (logística, odontologia, etc.) 10. Limitações das técnicas de inteligência de processos 11. Soluções propostas para as limitações 12. Ferramentas envolvidas nas técnicas de inteligência de processos Os itens 1 a 5 foram catalogados apenas como forma de documentação e identificação das publicações. O item 6 foi armazenado com o intuito de realizar a primeira análise dos artigos, correspondente a fase de seleção, na qual todos os abstracts de todos os artigos devem ser lidos. Com os itens de 7 a 12 busca-se responder as perguntas de pesquisa. Desta forma, os itens 7 a 9 buscam responder a pergunta PP1, enquanto o item 10 responde a pergunta PP2 e o item 11 responde a pergunta PP2.1. Com o item 12 pretende-se se responder a pergunta PP3 2437

10 Figura 2 - Número de artigos publicados por ano Fonte: Elaborado pelos autores 4. Resultados 4.1. PP1 Como as técnicas de Business Analytics e Big Data vêm sendo abordadas na área de processos? Ao longo da fase de extração, as publicações foram classificadas de acordo com o assunto geral, ignorando suas aplicações específicas proposta pelos autores. O objetivo desta classificação não era outro senão verificar quais são os assuntos mais pesquisados. Como pode ser visto na Tabela 3, dentre as publicações selecionadas, a mineração de processos, ou process mining, como será chamada ao longo desta pesquisa, vem despertando bastante o interesse dos pesquisadores, representando aproximadamente 91% dos artigos lidos. Isto mostra a importância desta técnica para o meio acadêmico. Assunto Quantidade Process Mining 101 Process Warehouse 5 Inteligência de Processos 3 Tabela 3 - Perguntas de pesquisa Fonte: Elaborado pelos autores Essas três áreas descritas pela Tabela 3 representam as três aplicações das técnicas de Business Analysis e Big Data na área de processos de negócios. Essa integração entre BA e Big Data tem se mostrado bastante interessante, mas nada trivial, uma vez que as técnicas de data mining, business intelligence e de aprendizagem de máquina focam no dado, desconsiderando o processo fim a fim (Aalst, 2013), enquanto o Business Process Management utiliza o modelo de processos (Aalst, 2011b), sem relação alguma com dados. 2438

11 Process Mining Dentre as áreas abordadas pelas publicações estão as áreas de seguros, saúde, odontologia, medicina, logística, gerenciamento de riscos, desenvolvimento de software, educação e auditoria. Infelizmente, 76 publicações selecionadas não explicitaram a área de aplicação, muitas delas devido ao seu caráter descritivo. A figura 3 indica a quantidade de artigos distribuídos por área de aplicação dentre as publicações que informaram este dado. Figura 3 - Publicações sobre process mining por área de aplicação Fonte: Elaborado pelos autores Com relação às aplicações do process mining, percebeu-se que a grande maioria das publicações busca descrever ou aplicar o process mining de forma genérica. Outra aplicação do process mining bastante explorada foi o descobrimento de processos. Essas e outras aplicações podem ser vistas através da figura PP2 PP2 - Quais as principais limitações da inteligência analítica de processos? Limitações de Process Mining As limitações de process mining encontradas ao longo deste estudo foram extraídas e classificadas. Ao todo 45 publicações relacionadas às técnicas de process mining mencionaram limitações. A Figura 5 mostra a porcentagem de limitações mencionadas por publicação. Essas classificações serão descritas abaixo: Tarefas ocultas ou invisíveis: Ocorre quando tarefas que de fato ocorreram não foram gravadas pelo log de eventos. Isto é um problema, uma vez que o process 2439

12 mining pressupõe que todos os eventos ocorridos serão gravados no log de eventos. Figura 4 - Aplicações do Process Mining Fonte: Elaborado pelos autores Tarefas duplicadas: Ocorre quando, em um dado modelo de processo, existem dois nós se referindo a mesma tarefa. De acordo com (Aalst & Weijters, 2004), tarefas duplicadas estão relacionadas a tarefas ocultas. Muitos processos com tarefas ocultas podem ser transformados em um processo equivalente com tarefas duplicadas. Ruído: Refere-se a comportamento raro não representativo para o processo de negócio (Aalst, 2011a). Concept Drift: é a situação na qual o processo é alterado durante a análise (Aalst & Dustdar, 2012; Bose, Aalst, Zliobaite, & Pechenizkiy, 2014) e como conseqüência, o modelo gerado pode não ser fiel ao log de eventos. Volume do log de eventos: Com o aumento dos dados de evento, o process mining se tornou um desafio, uma vez que muitas das técnicas existentes não estão preparadas para lidar com o grande volume. Como conseqüência disso, essas técnicas perdem muito em relação a desempenho. Problemas com timestamp: Timestamp refere-se ao horário em que um determinado evento ocorreu. Esse horário pode não ser gravado ou gravado algum tempo depois que o evento ocorreu de fato. Isto é um problema porque a ordem execução das atividades de um processo é dada pelo horário em que as atividades ocorreram. Um erro nesta ordem pode gerar erro no modelo de processos. Além disso, quando houver a necessidade de verificar o tempo de execução de um processo ou das atividades de um processo pode haver falhas, 2440

13 uma vez que esta informação não existe no log ou existe, mas foi gravada de maneira incorreta. Figura 5 - Limitações do process mining Fonte: Elaborado pelos autores Problemas com dados: Os problemas relacionados a dados referem-se dados incorretos, irrelevantes ou imprecisos. Um dado é considerado irrelevante quando um analista precisa filtrar ou agregar eventos o que, de acordo com (Bose, Mans, & van der Aalst, 2013) não é uma tarefa trivial. O dado também pode ser tido como incorreto quando, baseado no contexto da informação, o dado gravado está incorreto. Além disso, um dado pode ser considerado impreciso quando o log de entrada leva a uma perda de precisão. Loops: Uma mesma atividade é executada várias vezes seguidas. De acordo com (Lakshmanan & Khalaf, 2013), isso afeta a probabilidade de execução da tarefa no futuro. Além disso, os valores associados à tarefa podem mudar quando esta é executada repetidas vezes. Granularidade: Processos definidos por um grande número de atividades é um processo bem-granulado. As técnicas de mineração de processos existentes possuem dificuldade para lidar com granularidade. Processos não estruturados: Processos não estruturados são um desafio para a mineração de processos, uma vez que os modelos de processos gerados são muito complexos e difíceis de entender - os chamados modelos Spaghetti-like. Este problema é bastante comum na área de saúde e (Kaymak, Mans, van de Steeg, & Dierks, 2012) atribui a complexidade dos processos de saúde aos seguintes fatores: Processos de saúde são muito dinâmicos; 2441

14 Processos de saúde são muito complexos; Processos de saúde são multidisciplinares; Processos de saúde são ad hoc Limitações de Process Warehouse Dentre as cinco publicações selecionadas que retratam o uso do Process Warehouse, apenas uma não mencionou nenhum desafio ou limitação desta técnica. Percebeu-se que grande parte das limitações está relacionada à desnormalização dos dados, como o grande número de ocorrências de relação N para N entre tabelas fato e tabelas dimensão, intercambialidade entre os papéis de medição e de dimensão e entre os papéis de tabela fato e tabela dimensão. Estas limitações referem-se a aplicação do process warehouse na área da saúde, mais especificamente no armazenamento de dados de processos cirúrgicos e segundo (Mansmann et al., 2007), alguns dados cirúrgicos possuem características de dimensão, mas que também podem ser tratados como fato. Através da figura 6, é possível observar a classificação das limitações encontradas. Figura 6 - Limitações de process warehouse Fonte: Elaborado pelos autores 4.3. PP2.1 Quais as soluções propostas para estas limitações? Nesta seção busca-se sumarizar as soluções propostas para os problemas listados acima. Foram encontradas propostas para soluções de problemas de process mining em 13 publicações. A figura 7 representa a quantidade de soluções propostas pelos artigos lidos. 2442

15 Figura 7 - Soluções para limitações de process mining Fonte: Elaborado pelos autores Em (Song, Yang, Siadat, & Pechenizkiy, 2013), (De Medeiros et al., 2008) e (Aalst & Giinther, 2007) são propostas soluções para a mineração de processos não estruturados e em ambas as publicações foram utilizadas técnicas de clustering como solução. Desta forma, os dados do log de eventos podem ser agrupados em clusters e minerados de maneira mais eficiente. Com o uso de clustering, o modelo de processos resultante no descobrimento de processos pode ser muito mais simples e fácil de entender. Com a finalidade de solucionar problemas relacionados a mineração de tarefas ocultas, (Wen, Wang, van der Aalst, Huang, & Sun, 2010), (Folino, Greco, Guzzo, & Pontieri, 2009) e (Gao & Liu, 2009) propõe novos algoritmos. Em (Wen et al., 2010), os autores basearam-se no -algorithm e propuseram uma melhoria para este algoritmo, denominando-o # -algorithm. Já (Folino et al., 2009) propõe um algoritmo capaz de lidar com não somente com tarefas ocultas, mas também com tarefas duplicadas, ruídos e construtores sem livre escolha. Os autores chamaram-no de EnhancedWFMiner. Em (Gao & Liu, 2009) é proposta uma estratégia baseada na técnica de recozimento simulado (simulated annealing). Este terceiro algoritmo também é capaz de lidar com outros problemas, como tarefas duplicadas e construtores sem livre escolha. Dentre as publicações relacionadas à process warehouse, apenas duas das cinco publicações propuseram soluções para problemas provenientes desta técnica, propondo soluções para três limitações identificadas, que são: 1. Extração de instância do processo 2. Carga de dados em process warehouse 3. Falta de soluções específicas para modelagem de dados para process warehouse. 2443

16 12th INTERNATIONAL CONFERENCE ON INFORMATION SYSTEMS & TECHNOLOGY MANAGEMENT - CONTECSI Em (Castellanos, Simitsis, Wilkinson, & Dayal, 2009b) propôs-se uma solução para os itens 1 e 2, enquanto a solução para o item 3 foi proposta em (Casati, Castellanos, Dayal, & Salazar, 2007) PP3 - Quais as principais tecnologias envolvidas na aquisição de inteligência de processos Algoritmos de Mineração de Processos Nesta seção busca-se apresentar e caracterizar os diversos algoritmos de mineração de processos encontrados. Foi encontrado o uso ou menção de algoritmos em 50 publicações, todos eles relacionados à process mining. Neste tópico foram excluídos todos os algoritmos propostos por autores, sendo contabilizados apenas algoritmos já existentes. Os algoritmos encontrados foram descritos nos tópicos abaixo e a frequência na qual estes algoritmos foram comentados ao longo das publicações pode ser vista na figura 8. -algorithm: O Alpha miner é utilizado para descobrir processos. De acordo com (Aalst & Giinther, 2007), apesar de não lidar com ruído e evento de log incompleto, o -algorithm é capaz de lidar com concorrência e iterações. Tem como saída um modelo gerado em Petri Net Heuristic Miner: Também utilizado na mineração de processos. O Heuristic miner e capaz de lidar com ruído e situações excepcionais (Aalst & Giinther, 2007), porém tem como saída uma notação própria - o Heuristic Net. Esta notação pode ser convertida para outras notações, como o Petri Net, por exemplo. Figura 8 Algoritmos Fonte: Elaborado pelos autores 2444

17 Fuzzy Miner: É um algoritmo baseado na frequência de sequências específicas entre atividades (Wang, Caron, Vanthienen, Huang, & Guo, 2014) e é capaz de lidar com processos não estruturados. Genetic Miner: É capaz de lidar com construtores complexos e ruído, porém se mostra um algoritmo caro do ponto de vista computacional, já que tem baixo desempenho. Social Network Miner: Tem como saída à relação entre os atores relacionados a um processo e, portanto permite analisar inclusive a relação entre pessoas e a execução de processos. A* Algorithm: Utilizado para verificação de conformidade de processos Notação ou Representação de Processos Dentre as publicações selecionadas, 57 mencionaram ou fizeram uso de alguma linguagem de modelagem para modelar seus processos de negócio. O Petri net foi tido como uma das principais formas de modelagem ao longo desta pesquisa, uma vez que é saída de diversos algoritmos de Process mining, seguido do BPMN. Entretanto, outras linguagens ou formas de representação foram utilizados para a modelagem de processos, como YAML, DECLARE, CPN, ICP e WF-net. As formas de representação de processos ou linguagens de modelagem encontradas podem ser vistas na figura 9. Figura 9 - Linguagens de modelagem de processos Fonte: Elaborado pelos autores 2445

18 Outras Ferramentas Entre as ferramentas de Process Mining, tem-se o ProM Framework, um framework open source desenvolvido pela Eindhoven University of Technology (Aalst, 2005) e permite a utilização e o desenvolvimento de diversos plugin-ins para process mining. Apesar de o ProM ter sido utilizado em todas as publicações que mencionaram o uso de algum framework de process mining em específico, em algumas publicações como (Aalst, 2010) mencionaram a existência de ferramentas comerciais com a mesma fucionalidade que o ProM, porém com menor flexibilidade, como o Disco (Fluxicon), Interstage Process Discovery (Fujitsu), Interstage Automated Business Process Discovery and Visualization, Process Discovery Focus e DISCO. Em complemento ao ProM, tem-se o Prom Import, que converte o formato de arquivos para os formatos de log de eventos aceitos pelo ProM, que são o XES e o MXML. Esta foi a única ferramenta para a conversão de arquivos encontrada. O ProM Framework foi utilizado em 100% das publicações que indicaram o uso de algum framework para mineração de processos, assim como Prom Import foi utilizado para converter os logs em formato XML para o formato MXML ou XES, formatados aceitos pelo ProM. Grande parte das publicações mencionou por alto o uso de algum sistema de informação como fonte dos logs de eventos, porém de maneira bastante genérica, como o uso de um sistema ERP, ou CRM, etc. Neste caso, devido à generalidade, estes não foram contabilizados. Os sistemas de informação mencionados pelos autores podem ser vistos na Tabela 5. Tabela 4 - Sistemas de informação Sistemas de Informação Citações SAP R/3 2 SAP 2 Virtual Electronic Patient Record (VEPR) 1 Oracle 9i 1 SAP CRM SAP Business Intelligence 1 Fonte: Elaborado pelos autores Também foram utilizadas ferramentas relacionadas à data warehouse. Dentre as publicações selecionadas, apenas cinco citaram tais tipos de ferramenta. Essas ferramentas podem ser vistas na figura 10. As ferramentas abaixo foram classificadas como outras ferramentas/softwares e foram todas mencionadas por uma publicação apenas: Staffware Inconcert HP Business Process Insight Business Process Insight 2446

19 Figura 10 - Ferramentas de Data Warehouse Fonte: Elaborado pelos autores TiPLM 3D Educational Virtual Worlds Platform TeamLog Electronic Patient Records (EPR) RapidMiner2 Weblogic 5. Conclusão Ao longo desta revisão de literatura foi possível perceber a importância do process mining para o âmbito acadêmico. Dentre os 109 artigos selecionados para a fase extração de dados, aproximadamente 91% referem-se a este assunto. As técnicas de process mining vêm sendo aplicadas em diversas áreas, como auditoria, educação, saúde, desenvolvimento de software, entre outros. A área da saúde tem se mostrado a mais problemática, devido à complexidade dos processos desta área. Percebeu-se também que pouco foi escrito sobre process warehouse e business process intelligence. Essas duas técnicas são bastante importantes se aplicadas, pois podem facilitar a tomada de decisão sobre processos de negócios e possibilitar a análise preditiva dos processos negócio, entre outros. Apesar de bastante promissoras, a integração entre técnicas de análise de dados como data mining e data warehouse ainda apresentam limitações que impedem o uso das técnicas provenientes desta integração em um ambiente organizacional. Conforme relatado 2447

20 neste artigo, diversos estudos buscam solucionar estas limitações, mas ainda há muito que ser feito para solucioná-las. Referências Association of Business Process Management Professionals - ABPMP Brasil. (2013). BPM CBOK: Guia para o Gerenciamento de Processos de Negócio - Corpo Comum de Conhecimento (1 a ed.). São Paulo - SP: Association of Business Process Management Professionals. Bose, R. P. J. C., Mans, R. S., & van der Aalst, W. M. P. (2013). Wanna improve process mining results? In 2013 {IEEE} Symposium on Computational Intelligence and Data Mining ({CIDM}) (pp ). doi: /cidm Bose, R. P. J. C., van der Aalst, W. M. P., Zliobaite, I., & Pechenizkiy, M. (2014). Dealing With Concept Drifts in Process Mining. {IEEE} Transactions on Neural Networks and Learning Systems, 25(1), doi: /tnnls Bronzo, M., de Resende, P. T. V., de Oliveira, M. P. V., McCormack, K. P., de Sousa, P. R., & Ferreira, R. L. (2013). Improving performance aligning business analytics with process orientation. International Journal of Information Management, 33(2), doi: Casati, F., Castellanos, M., Dayal, U., & Salazar, N. (2007). A Generic Solution for Warehousing Business Process Data. In Proceedings of the 33rd International Conference on Very Large Data Bases (pp ). Vienna, Austria: {VLDB} Endowment. Retrieved from Castellanos, M., de Medeiros, K., Mendling, J., Weber, B., & Weitjers, A. (2009). Business process intelligence. Handbook of Research on Business Process Modeling, Castellanos, M., Simitsis, A., Wilkinson, K., & Dayal, U. (2009). Automating the Loading of Business Process Data Warehouses. In Proceedings of the 12th International Conference on Extending Database Technology: Advances in Database Technology (pp ). New York, {NY}, {USA}: ACM. doi: / Chandarana, P., & Vijayalakshmi, M. (2014). Big Data analytics frameworks. In Circuits, Systems, Communication and Information Technology Applications (CSCITA), 2014 International Conference on (pp ). Mumbai - Índia: IEEE. doi: /cscita Chen, C. L. P., & Zhang, C.-Y. (2014). Data-intensive applications, challenges, techniques and technologies: A survey on Big Data. Information Sciences, 275, doi: Cuzzocrea, A., Saccà, D., & Ullman, J. D. (2013). Big Data: A Research Agenda. In Proceedings of the 17th International Database Engineering & Applications Symposium (pp ). New York, NY, USA: ACM. doi: /

21 De Medeiros, A. K. A., Guzzo, A., Greco, G., Van Der Aalst, W. M. P., Weijters, A. J. M. M., Van Dongen, B. F., & Saccà, D. (2008). Process Mining Based on Clustering: A Quest for Precision. In Proceedings of the 2007 International Conference on Business Process Management (pp ). Berlin, Heidelberg: Springer-Verlag. Retrieved from De Oca, I. M.-M., Snoeck, M., Reijers, H. A., & Rodríguez-Morffi, A. (2014). A systematic literature review of studies on business process modeling quality. Information and Software Technology, (0). doi: Folino, F., Greco, G., Guzzo, A., & Pontieri, L. (2009). Discovering Expressive Process Models from Noised Log Data. In Proceedings of the 2009 International Database Engineering & Applications Symposium (pp ). New York, {NY}, {USA}: ACM. doi: / Gao, D., & Liu, Q. (2009). An improved simulated annealing algorithm for process mining. In 13th International Conference on Computer Supported Cooperative Work in Design, {CSCWD} 2009 (pp ). doi: /cscwd Gonçalves, J. E. L. (2000). As empresas s{ã}o grandes cole{ç}{õ}es de processos. RAE - Revista de Administração de Empresas, 40(1), Grigori, D., Casati, F., Castellanos, M., Dayal, U., Sayal, M., & Shan, M.-C. (2004). Business Process Intelligence. Comput. Ind., 53(3), doi: /j.compind Hassan, O. M., & Farag, M. S. (2010). Constructing Workflow Clusters Based on Appropriateness Conformance Checker. In Proceedings of the 10th {WSEAS} International Conference on Applied Informatics and Communications, and 3rd {WSEAS} International Conference on Biomedical Electronics and Biomedical Informatics (pp ). Stevens Point, Wisconsin, {USA}: World Scientific and Engineering Academy and Society ({WSEAS}). Retrieved from Janiesch, C., Matzner, M., Müller, O., Vollmer, R., & Becker, J. (2011). Slipstream: Architecture Options for Real-time Process Analytics. In Proceedings of the 2011 {ACM} Symposium on Applied Computing (pp ). New York, {NY}, {USA}: ACM. doi: / Kaymak, U., Mans, R., van de Steeg, T., & Dierks, M. (2012). On process mining in health care. In Systems, Man, and Cybernetics (SMC), 2012 IEEE International Conference on (pp ). doi: /icsmc Kitchenham, B. (2004). Procedures for performing systematic reviews. Technical Report TR/SE Kitchenham, B., Brereton, O. P., Budgen, D., Turner, M., Bailey, J., & Linkman, S. (2009). Systematic literature reviews in software engineering A systematic literature review. Information and Software Technology, 51(1), doi: 2449

22 Lakshmanan, G. T., & Khalaf, R. (2013). Leveraging Process-Mining Techniques. IT Professional, 15(5), doi: /mitp Lui, S. M., & Qiu, L. (2007). Individual Privacy and Organizational Privacy in Business Analytics. In System Sciences, HICSS th Annual Hawaii International Conference on (p. 216b 216b). Townsville - Australia: IEEE. doi: /hicss Mans, R., Reijers, H., van Genuchten, M., & Wismeijer, D. (2012). Mining Processes in Dentistry. In Proceedings of the 2Nd {ACM} {SIGHIT} International Health Informatics Symposium (pp ). New York, {NY}, {USA}: ACM. doi: / Mansmann, S., Neumuth, T., & Scholl, M. H. (2007). Multidimensional Data Modeling for Business Process Analysis. In Proceedings of the 26th International Conference on Conceptual Modeling (pp ). Berlin, Heidelberg: Springer-Verlag. Retrieved from Nurminen, M., Honkaranta, A., & Karkkainen, T. (2007). {ProcMiner}: Advancing Process Analysis and Management. In Proceedings of the 2007 {IEEE} 23rd International Conference on Data Engineering Workshop (pp ). Washington, {DC}, {USA}: {IEEE} Computer Society. doi: /icdew PhridviRaj, M. S. B., & GuruRao, C. V. (2014). Data Mining Past, Present and Future A Typical Survey on Data Streams. Procedia Technology, 12(0), doi: Salapura, V., Karkhanis, T., Nagpurkar, P., & Moreira, J. (2012). Accelerating business analytics applications. In High Performance Computer Architecture (HPCA), 2012 IEEE 18th International Symposium on (pp. 1 10). Saylam, R., & Sahingoz, O. K. (2013). Process mining in business process management: Concepts and challenges. In Electronics, Computer and Computation (ICECCO), 2013 International Conference on (pp ). Ankara - Turkey: IEEE. doi: /icecco Schiefer, J., Jeng, J., Kapoor, S., & Chowdhary, P. (2004). Process Information Factory: A Data Management Approach for Enhancing Business Process Intelligence. In Proceedings of the {IEEE} International Conference on E-Commerce Technology (pp ). Washington, {DC}, {USA}: {IEEE} Computer Society. Retrieved from Shahzad, K., & Zdravkovic, J. (2010). A decision-based approach to business process improvement. In 2010 {IEEE} International Conference on Systems Man and Cybernetics ({SMC}) (pp ). doi: /icsmc Song, M., Yang, H., Siadat, S. H., & Pechenizkiy, M. (2013). A comparative study of dimensionality reduction techniques to enhance trace clustering performances. Expert Systems with Applications, 40(9), doi: /j.eswa

23 Tang, X., Zhou, J., Vanthienen, J. J., Baesens, B., De Weerdt, J., & vanden Broucke, S. (2013). Active Trace Clustering for Improved Process Discovery. {IEEE} Transactions on Knowledge and Data Engineering, 25(12), doi: /tkde Trkman, P., McCormack, K., de Oliveira, M. P. V., & Ladeira, M. B. (2010). The impact of business analytics on supply chain performance. Decision Support Systems, 49(3), doi: Van der Aalst, W. (2012). Process Mining: Overview and Opportunities. {ACM} Trans. Manage. Inf. Syst., 3(2), 7:1 7:17. doi: / Van der Aalst, W. M. P. (2005). Process mining in CSCW systems. In Computer Supported Cooperative Work in Design, Proceedings of the Ninth International Conference on (Vol. 1, pp. 1 8 Vol. 1). doi: /cscwd Van der Aalst, W. M. P. (2010). Process Discovery: Capturing the Invisible. Comp. Intell. Mag., 5(1), doi: /mci Van der Aalst, W. M. P. (2013). A general divide and conquer approach for process mining. In 2013 Federated Conference on Computer Science and Information Systems ({FedCSIS}) (pp. 1 10). Van der Aalst, W. M. P., & Aalst, W. van der. (2011). Using Process Mining to Bridge the Gap between BI and BPM. IEEE Computer, 44(12), doi: /mc Van der Aalst, W. M. P., & der Aalst, W. M. P. (2011). On the Representational Bias in Process Mining. In th {IEEE} International Workshops on Enabling Technologies: Infrastructure for Collaborative Enterprises ({WETICE}) (pp. 2 7). Washington, DC, USA: IEEE Computer Society. doi: /wetice Van der Aalst, W. M. P., & Dustdar, S. (2012). Process Mining Put into Context. {IEEE} Internet Computing, 16(1), doi: /mic Van der Aalst, W. M. P., & Giinther, C. W. (2007). Finding Structure in Unstructured Processes: The Case for Process Mining. In Application of Concurrency to System Design, ACSD Seventh International Conference on (pp. 3 12). doi: /acsd Van der Aalst, W. M. P., & Weijters, A. J. M. M. (2004). Process Mining: A Research Agenda. Comput. Ind., 53(3), doi: /j.compind Vera-Baquero, A., Colomo-Palacios, R., & Molloy, O. (2013). Business Process Analytics Using a Big Data Approach. IT Professional, 15(6), doi: /mitp Wang, Y., Caron, F., Vanthienen, J., Huang, L., & Guo, Y. (2014). Acquiring logistics process intelligence: Methodology and an application for a Chinese bulk port. Expert Systems with Applications, 41(1),

24 Weber, P., Bordbar, B., & Tino, P. (2013). A Framework for the Analysis of Process Mining Algorithms. {IEEE} Transactions on Systems, Man, and Cybernetics: Systems, 43(2), doi: /tsmca Wen, L., Wang, J., van der Aalst, W. M. P., Huang, B., & Sun, J. (2010). Mining Process Models with Prime Invisible Tasks. Data Knowl. Eng., 69(10), doi: /j.datak Yang, H., Wen, L., & Wang, J. (2012). An Approach to Evaluate the Local Completeness of an Event Log. In 2012 {IEEE} 12th International Conference on Data Mining ({ICDM}) (pp ). IEEE. doi: /icdm Zhang, J., & Huang, M. L. (2013). 5Ws Model for Big Data Analysis and Visualization. In Computational Science and Engineering (CSE), 2013 IEEE 16th International Conference on (pp ). doi: /cse Zhou, L., Xu, M., Shi, Q., & Hao, Z. (2008). Research on Materialized Views Technology in Data Warehouse. In Knowledge Acquisition and Modeling Workshop, KAM Workshop IEEE International Symposium on (pp ). Wuhan - China: IEEE. Anexo 1 Artigos Selecionados Publicação Autor(es) Process Mining Put into Context van der Aalst, W.M.P. ; Dustdar, S. A gap between Business Process Intelligence and redesign process A Fuzzy Paradigm Approach for Business Process Intelligence Sohail, A; Dominic, P.D.D. Thomas, O.; Adam, O.; Leyking, K.; Loos, P. Network-Based Business Process Analysis Levina, O.; Hillmann, R. A general divide and conquer approach for process mining Process mining in CSCW systems A process mining analysis on a Virtual Electronic Patient Record system On the Representational Bias in Process Mining van der Aalst, W.M.P. Van der Aalst, W. M P Rebuge, A; Velez Lapao, L.; Freitas, A; Cruz-Correia, R. Van der Aalst, W. M P From Local Patterns to Global Models: Towards Domain Driven Educational Process Mining Trcka, N.; Pechenizkiy, M. 2452