Voorschrijvende Bedrijfsprocesmodellering

Procesmodelvoorspelling vormt een radicale verschuiving in het veld van process mining, dat het probleem bestudeert van het voorspellen van de evolutie en toekomstige resultaten van bedrijfsprocessen. Momenteel zijn predictieve technieken in process mining toegesneden op kortetermijnhorizons en fijnmazige uitkomsten, bijvoorbeeld het voorspellen van de volgende activiteit die in een proces zal plaatsvinden of de resterende tijd die een bepaalde instantie binnen een proces, zoals een verzekeringszaak, zal duren. Processen zijn echter een verzameling van activiteiten die onderling afhankelijk zijn en het begrijpen van hun dynamiek en evolutie over langere perioden is van cruciaal belang voor het nemen van tactische en strategische beslissingen. Procesmodelvoorspellingen zijn nog beperkt tot de doorstroom van activiteiten, de routering van gedrag, zonder rekening te houden met andere perspectieven, zoals medewerkers, gegevens die verband houden met deze activiteiten, enzovoort. Dit project pakt deze kloof aan door de voorspelling van procesmodellen uit te breiden naar meerdere dimensies buiten de activiteitsdimensie met behulp van deep learning-modellen, oa. op proces-gebaseerde benaderingen met knowledge graphs. Dit maakt het mogelijk om beter geïnformeerde en rijkere voorspellingen te doen om de besluitvorming in processen te ondersteunen. Deze voorspellingen kunnen worden gebruikt om tegenvoorbeelden en s imulatiemodellen te genereren waarmee procesbeheerders hun processystemen kunnen analyseren. Parallel hieraan zullen prescriptieve benaderingen worden geïntroduceerd die beschrijven hoe het proces het beste kan worden gestuurd om te optimaliseren voor een bepaald doel met causale modellering. De combinatie van beide biedt een nieuwe toolset voor procesanalisten om hun processen op een datagedreven manier beter te begrijpen en te interveniëren.