کشف فرآیندهای کسب و کار برای نگاره رویدادهای خرد با رویکرد خوشه بندی و تئوری گراف

بیشتر تکنیک های فرایند کاوی بر این فرض استواراند که نگاره رویداد های موجود از فرایند ها همگی در یک سطح از درشت دانگی هستند. درحالیکه بسیاری از فرآیندهای کسب و کار با سطح متفاوتی از درشت دانگی ذخیره می شوند که این موضوع کشف و تحلیل گراف فرآیند را با چالش های مختلفی همراه می کند. استفاده از تکنیک های پیش پردازش این امکان را می دهد که رویدادها در سطح مناسبی از درشت دانگی خلاصه گردد. هدف تحقیق حاضر ارائه یک رویکرد خلاصه سازی است بطوریکه خروجی الگوریتم فرآیندکاوی برای ذی نفعان مختلف کسب و کار ساده تر و تفسیرپذیر تر گردیده و نقاط مهم فرآیند که برای تعریف اقدامات راهگشا هستند، حفظ شوند. برای این منظور در این پژوهش از الگوریتم های یادگیری ماشین بدون نظارت برای خوشه بندی رویدادها استفاده شده است. روش تحقیق با رسم گراف فرایند آغاز شده سپس معیارهای مرکزیت متفاوت شبکه بر اساس ساختار و توپولوژی گراف رویدادها محاسبه می شود. این شاخص ها به عنوان ویژگی های جدیدی برای خوشه بندی بهتر به داده اولیه اضافه می گردد. در ادامه با استفاده از دو الگوریتم خوشه بندی مخلوط گوسی و DBSCAN و با تنظیم ابرپارامترهای هریک، خوشه بندی نهایی انجام می شود. بر اساس نتایج تحقیق با انتخاب الگوریتم مخلوط گوسی با امتیاز سیلوئت ۰.۹۲۶۳۸ روی داده مطالعه موردی انتخاب شده، ۴۴ خوشه کشف شده را به عنوان نقشه ای از فرایند خلاصه شده مناسب، همراه با معرفی راس با بالاترین امتیاز بردارویژه به عنوان نماینده خوشه در نظر گرفته شده است.