凡得热点
/凡得智库
搜索凡得热点，探索行业资讯
流程大咖说 | 流程建模在相邻建模学科背景下的未来
流程模型(Process Models)并非孤立存在，它们与人类和自动化数字解决方案中的其他关键要素相互作用。尽管许多组织已能很好地建模流程流(Process Flows)、决策(Decisions)、案例(Cases)、数据(Data)和结果可视化(ResultVisualizations)，但随着更多智能动态应用于数字解决方案，仍需更多模型支持。迄今为止，流程模型已为流程(Processes)和业务成果(Business Results)提供了良好服务，但组织需要建模的范畴远不止于此。流程组件的符号学表示(Semiotic Representations)的重要性再怎么强调也不为过。然而，数字解决方案(Digital Solutions)随时间推移会要求更多建模类型。目前我们已识别出另外六个尚未得到充分处理的领域，这些是其他必要模型(NecessaryOther Models)。 流程相邻建模学科1. 协作模式建模 | Collaboration Patterns现状：通过社交挖掘(Social Mining)与分析技术可以呈现部分社交互动的成果，但这一领域可能需要较长时间才能形成统一的模式表达方法。问题：流程图只说明“谁该做什么”，却不说“如何同步、冲突解决、升级路径”。 如何建立跨越不同供应商、支持实现业务成果或管理改进/变革工作所需人际互动的标准化表达？未来方向： BPMN 2.0 Conversation & Choreography 子集将升级为“协作原语库”——自动发现消息死锁、循环等待。 流程挖掘 + 邮件/协作日志（比如钉钉/飞书/微信的日志） ⇒ 自动生成协作模式热图，提示“隐性协调成本”。 数字孪生组织(DTO)中，流程实例与协作实例双轨仿真，支持“如果取消该例会，流程周期变化？”这类假设。 比如， 我们凡得科技利用飞书的多维表格和智能视频会议，形成了公司内部团队的协作建模。2. 目标驱动建模 | Goal-Driven现状：目前已有少数勇于创新的供应商提供了若干优秀的目标模型(Goal Models)及目标交互(Goal Interactions)范例，部分组织已察觉到从流程导向型(Flow-Directed)过程向目标驱动型(Goal-Driven)过程的转变趋势，但尚未形成被普遍接受的标准化建模方法。对于能够自主决策行进方向及选择次优行动的过程而言，目标设定具有根本性意义。问题：流程模型回答“How”，但战略层更关心“Why”。 未来方向： 流程-目标双向追溯元模型（BMM-PM 对齐）成为合规标配；任何活动无向上目标链接即视为“待裁剪”。 结合流程挖掘的行动（OKR）引擎：比如当传感器显示 KR 落后 >10%，利用流程挖掘技术自动触发流程变体推荐（基于历史成功案例）。 AI Planning（PDDL）与流程引擎融合，使“目标-活动”映射可在线重新规划，实现“半自主流程”。3. 约束建模 | Constraints现状：随着流程变得愈发非结构化和涌现性，约束(Constraints)将在流程治理(Process Governance)与控制领域扮演更为关键的角色。为了实现业务成果而引入无监督人工智能(Unsupervised AI)时，约束(Constraints)与目标(Goals)的设定不可或缺。问题：静态流程图难表达“只要不违反 X，可任意顺序”。目前尚未见到任何显著展示边界约束(Boundary Constraints)的模型能够完整呈现被这些保护机制环绕的流程。未来方向： Declarative BPM (Declare, DCR Graphs) 进入主流，与命令式模型混编——“90%结构化 +10%约束块”。流程挖掘将自动抽取“时态约束规则”，反向标注到模型；违规实例高亮为“约束漂移”。合规即代码(RegTech)：把 GDPR、SOX 条款转译为机器可读约束，持续监控流程日志，秒级预警。 4. 数学模型 | Mathematical Models现状：尽管存在一些针对单一分析方法的模型（例如用于预测分析「Predictive Analytics)的PMML」），但目前尚未发现适用于多重交互式分析的建模方法——这种分析常见于当今的智能流程(Intelligent Processes)中。问题：流程性能靠经验或者单一分析模型调优，难以预见“利用率-等待时间”曲线。 各类人工智能(AI)行为如何建模？未来方向： 队列网络、Petri-Net 可覆盖性、马尔可夫奖励过程直接嵌入流程模型属性栏；保存即生成 Python/SimPy 仿真脚本。 参数自动标定：流程挖掘输出真实到达时间分布 → 反馈给数学模型 → 30 秒给出“最优线程池/批处理大小”。 强化学习代理在数学模型上预训练，再于真实流程引擎 A/B 测试，实现“仿真-在线”闭环优化。 5. 上下文工程 | Contexts Engineering现状：随着流程在感知活跃模式和场景方面变得更加主动，需要对其参与或有意参与以实现其成果或目标的上下文(Contexts)进行表征。这些上下文将被用于评估优势、威胁及学习经验。问题：同一流程在不同地域、季节、法规下表现迥异。 跨越组织内部与外部、行业或地理边界的流程，必须对不同上下文中的含义保持敏感。未来方向： 流程模型头文件增加“上下文维度”标签（地域、币种、气温、汇率波动等级）；引擎根据实时上下文选择子流程。 联邦流程挖掘：上下文相似的企业共用加密日志，提升稀有场景模型准确度。低代码“上下文沙盒”：业务用户可拖拽生成“if 上下文=高汇率波动 → 启用二次审批”规则，无需 IT 编码。 6. 模式与反模式 | Patterns & Anti-Patterns现状：当前，组织似乎对需要响应的事件(events)更感兴趣，而非关注有价值的模式(patterns of interest)。这种情况将随时间推移而改变，但目前尚缺乏公认的模式表示方法。问题：最佳实践传播依赖顾问经验，复用率低。 缺乏有价值的模式，以及符号学表征(semiotic representations)及配套的分类体系(classification scheme)未来方向： 全球流程模式仓库（GitHub for Processes）：每个模式包含模型片段、绩效 KPI、适用上下文、仿真报告。 AI 模式推荐：输入企业画像 → 自动匹配“应收账款-催收模式”“跨境电商-退货模式”等，一键下载到建模器。 反模式检测器：利用图神经网络识别“ spaghetti 流程”“蘑菇型审批”等典型反模式，给出重构优先级评分。 尽管我们可能都认同建模流程(Processes Modeling)、决策(Decisions)、目标(Goals)或数据(Data)具有显著价值，但在建模方法、标准以及最重要的建模对象方面仍存在分歧。让我们审视建模领域内外的冲突点。我们已识别出五个主要冲突领域，但我推测还有更多潜在问题尚未浮出水面——例如"仅存在数据或规则"这类认知偏差。 流程建模的权衡取舍即使在流程建模领域内部（暂不考虑其他辅助建模手段），流程建模本身也存在若干需要解决的难点，如下文所述：1. 逻辑模型与物理之争关于应该构建目标逻辑模型还是物理实施模型的争论屡见不鲜。支持逻辑模型的一方认为，逻辑模型能体现纯粹的业务需求，包含实施者可能忽略的操作手册等内容。而实施团队通常反驳称，未来逻辑模型本质上无法反映现实，且两者无法同步。有些企业将逻辑模型作为规范文档，一旦物理模型成型便弃用逻辑模型。崇尚快速创新的组织则倾向于快速构建实施模型并接受快速失败。我们更推崇构建包含操作手册的粗略逻辑模型，通过迭代逐步完善。2. 是否遵循建模标准许多从业者推崇建模标准，认为标准化建模能降低培训成本、便于沟通，并有利于吸引外部贡献者快速参与。当组织需要切换至内部已有或全新平台时，标准化模型还能实现跨厂商的无缝迁移，避免繁琐的转换工作。反对者则认为标准束缚创造力，且会遗漏关键细节差异——当标准只会拖慢进度时，何必采用笨重的规范？虽然我们更看重开发便捷性而非标准符合度，但仍建议通过迭代优化而非追求完美建模。这需要找到平衡点。3. 案例导向 vs 流程导向当前存在一种观点认为案例管理模型与标记法(CMMN)与业务流程模型与标记法(BPMN)非常接近，可以轻松扩展BPMN来支持案例。如果BPMN包含目标建模功能，我们会认同这一观点——因为案例以里程碑目标为导向，流程流转反而处于次要地位。4. 决策导向 vs 流程导向关于"流程包含决策"还是"决策驱动流程"的争论也日益激烈，毕竟决策决定了待执行的任务。我们认为对于高度复杂的流程需要两者协同工作，但决策模型与标记法(DMN)作为新兴技术尚未获得应有的重视。5. 目标导向 vs 流程导向目标建模目前处于尴尬地位，因为传统流程和决策模型往往僵化不变。随着决策和规则变得更具流动性，目标建模的价值愈发凸显。目标本身保持稳定，但目标值可能变化，而决策路径和流程任务可能千差万别。目标与约束建模理应获得更多关注。建模技术固然强大，但当厂商试图将自己的方法和标记法塑造为流程领域的核心标准时，可能引发激烈争论。无论采用何种模型，建议在项目初期明确选择并保持一致性，除非需要重大调整——这种情况其实很少发生，因为流动型流程/案例通常可预判，并能提前选定支持方法。我们强烈建议选择能真实反映现实活动的流程模型用于流程挖掘(Process Mining)，这有助于改进现有流程。流程可视化能帮助业务和技术人员在具体情境中理解活动，流程模型也适合描述稳定/静态流程或其片段的未来状态。只有当问题更具突发性或变更过于频繁时，才需要重新评估建模方法。 融合展望：从“流程图”到“流程宇宙”未来十年的流程建模将是多模型共生的“联邦建模”时代： 单一流程引擎演变为“多模型运行时”，协作、目标、约束、数学、上下文、模式六类模型以微服务形式插件化加载。 流程挖掘不再只是还原流程图，而是同时抽取协作网络、约束集、上下文特征，自动填充到对应模型库。 生成式 AI 充当“模型翻译器”——用自然语言即可生成/修改/解释任意跨学科流程模型，降低业务人员参与门槛。 合规与可持续性成为一级公民：任何新流程在部署前必须通过“约束+数学”双验证——既满足法规，也满足碳排 KPI。 最终，组织将拥有“自我重构”能力：目标变化 → 目标模型触发约束重算 → 数学模型寻优 → 流程模型热更新 → 协作模式同步推送，实现“战略-运营”分钟级闭环。 流程建模的未来不在更大更复杂的流程图，而在“流程+”的跨学科模型联邦；谁率先建立多模型融合的基础设施与治理机制，谁就能在智能动态商业环境中获得持续竞争优势。
2025-11-07
流程大咖说 |AI 重构 “中国制造”：如何让汽车行业效率狂飙 40%？
随着2025世界人工智能大会在上海成功举办，人工智能的热潮正方兴未艾，AI正成为推动传统制造业升级的核心引擎。作为国内流程智能领域的领军企业，北京凡得科技有限公司（以下简称“凡得科技”）凭借其自主研发的PROCESS X流程智能平台，以AI驱动的流程智能技术为核心，助力汽车等传统制造行业破解效率瓶颈，实现从生产到服务的全链路智能化转型。凡得科技的流程智能平台如上图所示，充分利用其在流程管理赛道多年的积累（即 AI-ready 的数据资源和流程资源），叠加过去两年在生成式 AI 领域的沉淀，形成了独特的 GenAI 基础设施，包括对基础大模型的调用技术、检索增强生成技术、AI 工作流编排技术、智能体技术和多智能体协同技术等，可以广泛应用于企业的知识管理、客户服务、智慧供应链、智能巡检和流程自动化等。以下结合凡得科技在汽车制造行业的应用详细解释：传统汽车行业痛点：效率瓶颈与智能化挑战汽车制造业作为传统工业的代表，在数字化转型中面临多重挑战。首先是流程复杂性与透明度不足，从研发、生产到售后服务，跨部门协作流程庞杂，传统人工管理模式难以实时监控和优化，导致资源浪费与成本攀升。其次是客户服务响应滞后：售前咨询、售后维保等场景需求激增，人工坐席处理效率低下，72%的用户期望电话等待时间不超过30秒，传统模式难以满足时效性要求。再者是数据驱动能力薄弱：海量业务数据未被有效利用，企业缺乏实时决策支持工具，难以应对市场快速变化。AI技术赋能：从流程优化到全域智能化针对上述痛点，以凡得科技为代表的AI企业通过以下路径推动汽车行业变革：用流程智能技术重构制造业“数字神经”：传统制造业在生产制造过程中产生大量数据，且分散在不同的业务系统中，有的在生产执行（MES）中、有的在业务经营（ERP）和办公系统（OA）中，现在利用数据及算法驱动的PROCESS X 平台基于“可视化-洞察-行动”（VIA）架构，能够实时还原真实业务流程，精准识别低效环节与潜在风险，并结合大模型等技术优化和重构生产制造流程。例如，在供应链管理中，PROCESS X 可构建物流、采购等业务流程的绩效分析系统，帮助企业实现流程合规性检查与动态优化，将供应链效率提升30%以上。用流程智能技术打破“黑箱”，实现透明化管理：PROCESS X 通过AI算法分析企业业务流程，自动生成可视化流程图，并与设计流程对比，识别偏差根因。例如，应用PROCESS X 后，某央企汽车企业的生产流程数字化，通过数智工厂改造，交付效率提升40%、成本降低20%，并实现个性化定制生产。此外，该技术还可结合仿真功能预判优化效果，为企业提供科学决策依据。用AI加持客服系统，重塑用户体验与资源分配：AI驱动的智能客服系统通过全渠道路由、动态知识库和情感交互设计，大幅提升服务效率。以某东部新能源汽车品牌为例，引入AI客服后，客户投诉响应时长从48小时压缩至4.2小时，人力成本降低37%。系统还能根据客户画像（如购车记录、服务历史）分配专属通道，实现高端用户的个性化服务与经济车型用户的高效问题解决。研发与生产智能化，从“经验驱动”到“数据驱动”：AI技术正深度渗透汽车研发环节。例如，某东部新能源汽车企业通过AI大模型优化能源管理系统，实时感知路况并调节整车能量，使混动车型油耗降低10%-15%。生态协同：构建跨界技术“朋友圈”：车企与科技公司的合作模式正从供应链关系转向共生生态。宝马与阿里联合开发基于通义大模型的AI引擎，应用于智能座舱与自动驾驶；长安汽车携手华为、腾讯推进电动化与智能化融合，共同打造全球化产品。凡得科技亦通过开放API接口，与ERP、CRM系统无缝对接，助力企业构建超级自动化生态。AI助力中国经济转型升级推动传统制造业向“智造”跃迁，长安汽车通过数智工厂实现降本30%、交付效率提升40%，吉利通过智能架构缩短研发周期，均体现了AI技术对生产流程的重构价值，此类实践为传统制造业提供了可复用的数字化转型模板。这两家车企与华为、宁德时代等企业的合作，带动了动力电池、高精度地图、车载芯片等上下游产业的协同发展。例如，动力电池产业链2024年新增投资达800亿元，形成万亿级经济辐射效应。重塑全球汽车产业竞争格局，长安与华为合作的乾崑智驾系统、吉利自研的7纳米车规芯片“龙鹰一号”，均标志着中国车企在核心技术领域的突破，此类创新有望打破欧美在汽车智能化领域的垄断。智能网联技术带动了车载娱乐、自驾游、智能房车营地等新消费模式，2024年相关产业增收超8000亿元，正在催生新型经济业态。未来展望：AI驱动制造业迈向“超级智能”随着5G、AR/VR等技术普及，AI在制造业的应用将更加立体化。例如，AR远程诊断可实时指导用户排查故障，数字孪生客服则提供沉浸式服务体验。凡得科技等企业正持续探索AI与工业场景的深度融合，推动制造业从“单一功能优化”向“全域智能重塑”演进。结语传统制造业的数字化转型已进入深水区，AI技术不仅是效率工具，更是重构产业生态的战略支点。长安与吉利的智能化实践，不仅代表中国汽车产业的转型升级，更折射出传统制造业通过AI与数据驱动实现“换道超车”的战略路径。正如凡得科技创始人海广跃所言：“流程挖掘的价值在于让企业看见看不见的问题，并找到最优解。”未来，随着AI技术的迭代与生态协同的深化，传统制造业将加速迈向高质量、可持续的智能化新时代，同时将进一步加速中国从“制造大国”向“智造强国”的跨越，为全球经济贡献“中国方案”。
2025-08-08
流程大咖说 | 流程挖掘转变业务运营方式
我们对一批高效应用流程挖掘技术的企业进行了调研，发现这些企业都能做到大规模生成运营洞察，识别流程低效问题点，从而针对性地开展行动，并能衡量流程改善的效果 。
2024-05-10
流程发现算法第5讲 | Inductive Miner-Infrequency
Inductive Miner-Infrequency(基于频次的归纳式挖掘）是在Inductive Miner的基础上进行改进的算法，由sander改进并完善，接下来，我们将详细地介绍这个算法。 1. 背景介绍 关于Infrequency的解释：在大多数现实生活中的事件日志中，一些轨迹很少被采用，或者轨迹的不同之处仅在于不经常发生的活动。 如果流程模型中包含不常见的行为，可能会牺牲简洁度(simplicity)，如果模型中排除不常见的行为，可能会牺牲拟合度(fitness)。幸运的是，帕累托原则(the Pareto principle,也称为8020规则)通常适用于事件日志。通常，80%的观察到的行为可以用一个模型来解释，这个模型只占描述所有行为所需模型的20%，80%模型展示了流程中的“高速公路”。 为了获得80%的模型，传统的方法是在发现模型之前对日志进行全局过滤，这种方法很难识别不频繁的行为，可能产生不理想的流程模型。 因此，一个能快速过滤不常见行为并发现合理的80%流程模型的流程发现算法Inductive Miner-Infrequent(IMi)应运而生。其主要思想是：在IM的所有步骤中引入了不常见行为过滤器，以便对不频繁行为进行局部过滤。 2.算法介绍 在应用IM算法时，事件日志中的轨迹和事件频率被IM忽略，但被IMi考虑在内，以区分频繁和不频繁的行为。为此，IMi算法需要预先设定一个参数K，K为用户设置的过滤阈值，用于区分频繁和不频繁的行为。该方法首先不改变地应用IM算法的步骤。只有当IM算法操作失败时将返回一个花型模型时，才会应用过滤器。具体而言，IMi算法包括在以下三个步骤中应用过滤器： (1)操作符上的过滤器和切割选择步骤；(2)基本案例上的过滤器；(3)日志分割上的过滤器。 2.1 操作符上的过滤器和切割选择步骤 (1) 启发式方法过滤 L1=[áa, b, c, a, b, eñ50, áa, b, f, eñ100, ád, e, fñ100, ád, f, eñ100,ád, e, d, fñ1] 说明：与Heuristic Miner中使用方法类似，IMi对直接跟随图进行过滤，使其仅包含最频繁的边。与e的其他输出边相比，边（e，d）相对不频繁，所以边<e,d>被过滤掉。如果一个节点的输出边的频率小于该节点最强输出边的频率的k倍，则该节点的输出边太不频繁。在切割×、→和循环之前，在IMi中过滤掉所有不常见的边被过滤掉。 图a 带有一条不频繁边的直接跟随图，黑色虚线为IM算法中顺序切分运算符的结果，但对(e,d)产生了错误切分 (2) 最终跟随关系图 L2=[áa, c, d, e, bñ, áa, b, a, e , d, cñ, áa, e, c, b, dñ, áa, d, b, c, eñ] 说明：如下图b所示，由于b的所有输出边都具有频次1，因此k的任何值都不能过滤边(b，a)。 图b 直接跟随图 若采用图c的最终跟随图，则能有效地过滤掉边<b,a>。 图c 最终跟随图 类似于弱序关系，IMi使用最终跟随图，这是直接跟随关系的传递闭包:当且仅当a后面跟b在日志中的某处时，才存在边(a，b)。 在这个例子中，使用最终遵循的图允许IMi处理不频繁的行为。 活动的不频繁发生仍然会增加不频繁边缘的频率，但每个边缘最多增加1。最终跟随图放大了所有其他行为，因此使用最终跟随图→ 切割检测提高了对不频繁行为的鲁棒性。 2.2 基本案例上的过滤器 (1) 单个活动 L1=[áeñ100, áañ100, áa,añ100, áa, a, añ100] L2=[áeñ1, áañ100, áa,añ1, áa, a, añ1] 说明：如果分割的子流程L1和L2重演一个流程模型，则存在如下问题： 在L1中，所有的轨迹都很频繁,花型模型(flower model)显然是最好的选择。然而，在L2中，只有<a>是频繁的，a最能代表频繁的行为。选择任一选项都会影响质量维度：若选择一个花型模型，L2会牺牲精确度；若选择<a>,L1会牺牲拟合度。 只有当日志中a的每个轨迹平均出现次数足够接近1(取决于相对阈值k)时，IMi才会发现a。 (3) 空轨迹 L=[áa,b,dñ100, áa,c,dñ100, áa,dñ] L1=[ áañ201] L2=[áeñ1, ábñ100, ácñ100] L3=[ádñ201] 对于L2: ×(e,...) 说明：事件日志L通过分割运算符得到三个子日志L1，L2，L3，子日志L2中存在一条空轨迹，其频次远远小于其他的轨迹的频次，如果不采用过滤，将会影响模型精度。 2.3 日志分割上的过滤器 对于每个操作符，我们描述了可以检测到的违规类型，以及如何通过IMi对其进行过滤，如示例所示。在这些例子中，∑1={a}，∑2={b}是所选择的切割，L1、L2是要创建的子日志。 X: 违反×运算符的行为是在单个轨迹中存在来自多个子树的活动。例如，轨迹t1=áa，a，a，b，a，a，a，añ 包含来自∑1和∑2的活动。∑1解释了大多数活动，是最频繁的。所有不来自∑1的活动都被认为是不频繁的，并被丢弃：áa，a，a，a，a，a，añ∈L1。 →: 违反→ 运算符是指根据子树出现的无序事件。例如，在轨迹t2=áa，a，a，a，b，b，b，a，bñ中，最后一个a出现在b之后，这违反了→. 过滤不频繁的行为是一个优化问题：轨迹将以最少的事件删除方式进行拆分。在t2中，划分áa，a，a，añ∈L1，áb，b，b，bñ∈L2丢弃的事件最少。 ∧：并行运算符允许其子树的任何行为序列。因此，没有违反∧的行为，并且在拆分日志时既不能检测到也不能过滤不频繁的行为。 ?：违反？运算符是当轨迹不是以循环体开始或结束时：例如？（a，b）被所有不以a开头和结尾的轨迹所违反。对于轨迹的每个这样的无效开头或结尾，一个空轨迹会被添加到L1以增加所得到的模型的拟合度。考虑轨迹t3=áb，a，bñ，则[áeñ2, áañ1]⊆L1和[ábñ2]⊆L2 3.总结 IMi通过引入了不常见行为过滤器，将轨迹和事件的频次考虑在内，区分频繁和不频繁的行为，在三个层面上应用了行为过滤器，相比于基础的Inductive Miner,更能精准地发现流程模型。
2023-07-20
面向对象的流程挖掘-3D流程挖掘简介
本期作者简介 华北电力大学-程龙教授、XX研究所研究员-李光明博士、山东理工大学-刘聪教授，均长期从事流程挖掘关键技术研究。三位专家分别于博士后、博士期间师从流程挖掘之父Wil van der Aalst教授，并且全面参与了面向对象流程挖掘（Object-Centric Process Mining 或者OCPM）研究。 01 引言 2022年11月，超级独角兽公司、全球流程挖掘领导者Celonis在德国慕尼黑召开了第四届用户大会“2022 Celosphere”，并且推出了颠覆性产品Process Sphere，将流程挖掘视角从2D发展至3D，可将企业的数字业务流程像“3D地铁地图”一样呈现在用户面前。流程挖掘之父Wil van der Aalst教授评价Celonis Process Sphere产品是流程挖掘领域近10年最大的技术进步。 “Celonis Process Sphere represents the biggest step-change in the field for 10 years and establishes new table stakes for process mining and how companies operate”-- 流程挖掘之父Wil van der Aalst 那到底什么是面向对象的流程挖掘（以下简称3D流程挖掘或者OCPM）？这个技术相比传统流程挖掘到底有什么优点呢？以下我们对3D流程挖掘的发展和概念做一些简单的梳理和介绍。 02 研发到落地共7年 在国内市场，流程挖掘的应用当前还是处于初级阶段，3D流程挖掘的概念还显得比较前沿，知道的人并不多。同时，虽然面向对象的流程挖掘的核心技术这些年发展的比较迅速，Wil教授最近2年也一直在数字产业中力推3D流程挖掘， 但是当Celonis在“2022 Celosphere”推出3D流程挖掘时，我们整体还是感觉比较惊讶。主要原因还是其技术产品化和商业化的时间比我们预期的要早，因为我们预计的商业化时间点大概是在2024年左右。当然，3D流程挖掘技术的落地以及3D流程挖掘商业化产品的推出，除了体现了Celonis公司对新兴技术的追求和实践，进一步奠定了其在流程挖掘领域行业领先者的地位，也在另一方面反应了商业市场对3D流程挖掘的实际需求。 实际上，面向对象的流程挖掘的技术研究始于2015年。当时，在“Interacting Artifacts”概念的基础上，Wil教授意识到流程挖掘中Object（对象）的重要性。因此，Wil教授于2015年特别招聘了李光明作为博士研究生，专门进行面向对象的行为约束（OCBC）模型研究，并先后让刘聪、程龙、Gyunam、Jan、Alessandro、Anahita等人分别参与了相关技术的研究和开发，其具体内容覆盖了3D流程模型、日志格式、挖掘算法、流程分析、一致性检测等一系列技术。 随着研究的逐步推进，3D流程挖掘技术的闭环在2020年基本形成，其中Wil在2020年CBPM大会上也以“面向对象的流程挖掘”为主题进行了主旨演讲，使业界意识到了3D流程挖掘的巨大潜力和市场需求。此外，Wil在2020年入职Celonis成为首席科学家之后，也集中精力把3D流程挖掘作为一个研发关键点，并在科研活动中一直力推OCPM技术，包含推动相关标准例如OCEL（Object-Centric Event Log）的标准化，直接加速了Celonis Process Sphere产品的问世。 总的来说，3D流程挖掘的发展和落地，经历了7年多的时间。这其中有Wil教授的力推，相关研究人员的努力，也有Celonis公司整体的支持。结合流程挖掘技术自身的发展，3D流程挖掘发展的整体历程如下。 3D流程挖掘的发展历程 03 为什么要3D挖掘？ 流程挖掘数据主要来源于企业信息系统。以当今大多数企业广泛使用企业资源计划（ERP）系统为例，ERP系统包括计划、制造、销售、会计、财务、人力资源管理、项目管理、库存管理和运输等模块，模块间具有松耦合的交互关系，并且基于一个中央服务器来存储不同模块的业务，这样就能够使不同的模块共享数据并进行交互。以常见的采购到付款（OTC）流程为例，其中整体的信息系统结构如下图所示。 ERP信息系统结构（基于OTC流程） 由于ERP系统由多个模块组成，一个企业部门使用一个模块，流程实例分散在企业的不同部门，经常存在一对多和多对多的关系，导致多个流程实例之间存在交互，且不同部门的案例概念也不相同，很难为整个业务流程确定全局唯一的案例概念（即流程挖掘中的case id概念）。例如，在“销售”部门的眼中，案例概念是“订单”，而在“送货”部门眼中，案例概念是“包裹”。因此，缺少一个能贯穿整个流程的全局案例概念。 传统的流程挖掘技术基于单一案例概念的假设会压平实际流程 传统的流程挖掘技术和产品大多基于单一案例概念，即以案例（case）为中心。执行数据记录的每个事件都精确地指向某个案例，一个案例对应于流程的一个执行实例，流程挖掘技术从案例概念的角度分析系统中的业务流程。当采用当前的流程挖掘技术分析ERP系统中的流程时，强加的单一案例概念会将3D流程压平投影到2D视图上，只捕捉到流程的一个基于选择的案例概念的特定视角。这种强制转换还会导致诸多问题，特别是： （1）收敛问题，即事件被复制并分散到多个案例中； （2）发散问题, 即多个同一活动的实例不能在一个案例中区分。 这些问题会使得流程挖掘得到的结果不精确或者很难从一个视角对端到端流程进行细粒度的分析。此外，现有的流程挖掘技术侧重分析业务流程的控制流方面，不能对分析数据方面提供足够的支撑，即缺少业务流程与数据对象之间的关联互动。 04 OCPM技术简介 为了使能3D流程挖掘，面向对象的流程挖掘技术应运而生。经过近些年的发展，面向对象的流程挖掘包含了一套技术，具体如下图所示。 面向对象的流程挖掘的一些技术示例 在事件数据存储方面，XOC日志格式最先被提出来存储3D的流程事件数据，避免了传统XES事件日志格式对事件数据的扁平化压缩，保留了原始事件数据中的多实例概念和复杂交互关系；而后基于本质上同样的面向对象的思想，OCEL日志格式被提出来降低日志的复杂度，提高日志的性能，成为支撑面向对象的3D流程挖掘技术可实际运用的日志格式。在流程可视化方面，OCBC模型被提出，可以在一个模型中同时描述数据和行为两个视角，其中数据视角可以描述一对多和多对多等复杂关系，行为视角可以描述ERP系统中灵活的事件约束等松耦合关系。面向对象的Petri网（OCPN）通过给库所添加类型来表示不同的对象，通过加强的关系来表示一对多和多对多等复杂关系。直接跟随多图通过重叠基于不同案例概念的子流程，得到一个描述多案例概念的端到端流程。 此外，面向对象的流程挖掘也具有了一系列的支持工具，包含从数据库抽取3D事件日志的日志生成工具、3D流程建模工具、3D流程挖掘工具、一致性校验工具和性能分析工具。这些工具进一步使能了3D流程挖掘的应用，其中学术领域中面向对象的流程挖掘工具示例如下图所示。 学术领域面向对象的流程挖掘工具示例 总的来说，在分析ERP等信息系统中的3D流程时，面向对象的流程挖掘技术存在以下优势： （1）不需要为整个业务流程确定全局唯一的案例概念，而是根据分析需求，选取关注的对象，灵活地查看与其相关的业务流程。 （2）解决了收敛和发散问题，提高了数据质量。通过采用3D事件日志格式记录事件数据，避免了对数据的扁平化压缩，使得数据保持原有的复杂对应关系，数据中和事件不直接相关的各种信息都可以得到保留。 （3）可以对流程实例之间的交互进行建模，基于数据模型和对象进行事件关联来处理多实例问题，解决现有的流程建模语言孤立地描述流程实例的问题。 （4）采取集成的方式对数据方面和控制流方面进行建模，提高对数据视角建模的能力，解决当前的流程建模语言虽然可以对数据对象进行建模，但能力偏弱，没有采用ER模型和UML类模型等专业的数据建模语言中表达力更强的元素的问题。 （5）增强了合规性校验中检测出数据方面偏差的能力。现有的一致性校验技术主要是从控制流的角度来检测偏差，但一些控制流方面的异常行为无法直接从控制流方面进行校验，它们与数据方面的异常关联，必须综合考虑控制流和数据两个方面及其之间的交互才能检测出来。 （6）进一步提高了流程性能分析的准确性。通过采用3D事件日志作为数据支撑进行分析，使得对流程的分析结果更加丰富和准确。 05 技术应用与展望 流程挖掘技术应用到面向对象的信息系统，总的来说，目前有3条路径，分别对应当前、以后、将来三个时间阶段。具体如下图所示。 应用面向对象的流程挖掘技术的3种途径 第一条路径是完全采用传统的流程挖掘技术。从系统数据库中直接抽取数据转化为标准的XES日志（或者对应数据模型），采用传统的面向案例（即假设单一案例概念）的流程挖掘技术进行分析。这种途径也是当前阶段大多数流程挖掘厂商所采用的方式，例如，通过执行SQL语句直接从ERP数据库中抽取事件日志，再采用直接跟随图的可视化形式发现业务流程。 第二条路径是首先从面向对象的信息系统数据库中抽取出面向对象的事件日志，该日志包含了用户关心的数据库的所有信息。再根据用户需求将面向对象的事件日志转化为基于不同案例的XES日志（或者对应数据模型）。最后依然采用传统的流程挖掘技术进行分析。预计在以后的一段时间内，部分厂商会尝试采用这种方式进行流程挖掘。 第三条路径是直接从面向对象的信息系统数据库中抽取出面向对象的事件日志，然后采用专门的面向对象的流程挖掘技术进行分析。 06 结束语 Cenonis Process Sphere产品的推出，意味着面向对象流程挖掘技术的最终落地，也表明了流程挖掘商业化产品从2D到3D的跨越。相比传统流程挖掘，3D流程挖掘涉及到更为复杂的模型挖掘、一致性检测算法等核心技术。因此，我们可以预测，基于构建的在3D流程挖掘方面的技术壁垒，Celonis公司在未来一段时间内仍将继续保持其在流程挖掘商业领域的领先地位。同时，其产品在实际商业中的应用，也将进一步推动流程挖掘技术的发展和创新。 另一方面，尽管当前面向对象的流程挖掘技术已经成熟，但总的来说，其在各个领域和业务方面的实际应用价值还需要进一步探索。同时，如何让3D流程挖掘与BI、AI等技术以及领域知识有机的融合起来, 也是一个需要继续研究的方向。
2023-01-08
流程挖掘的价值
根据Fortune Business Insights数据显示，业务流程管理（BPM）这项成熟的技术，已经拥有了巨大的市场，预计将从2021年的约110亿美元增长到2028年的260亿美元。业务流程管理的起源可以追溯到20世纪80年代，当时开发了文件工作流以加快文件的审查。现在业务流程管理涵盖了更广泛的活动，并已发展到主要以客户为中心，从而取代了以文件为中心。作为数字化转型的重要组成部分，BPM提供了将流程中的部分或全部步骤自动化的能力，只在有需要时才进行人工干预。 随着BPM使用量的增长和多个流程的加入，导致许多企业无法跟踪其多样化的流程。应用程序的复杂性（有些是新的，有些是遗留的）以及流程文件的缺乏是企业难以监控自身所有流程的原因。对企业而言流程的可见性是有限的，尤其是那些跨越不同企业系统的流程，而流程挖掘作为一类新的企业软件出现了。“流程挖掘是数据挖掘、数据科学和流程管理之间的交叉点。”Apromore公司的联合创始人Marlon Dumas表示，该公司提供同名的流程挖掘解决方案。 1 流程挖掘的重要性 流程挖掘从事件日志中收集数据，然后将其可视化，如此以来，流程所有者、业务经理或C级管理人员就可以看到他们的数据在哪里、延迟在哪里。“合规审查人员想看看企业流程中是否出现违规的情况，”Dumas说道，“在其他情况下，客户服务经理想知道为什么他们在解决投诉上花了这么多钱。” 流程挖掘在各种职能领域有许多应用案例。 2 流程挖掘带来的收益 流程挖掘主要驱动力的三个垂直行业是保险、银行、制造业和政府。“BFSI有非常多的使用案例，”Dumas指出，“在制造业，主要应用之一是通过消除返工和处理缺陷以寻求更高的效率，而在政府部门，许多面向公民的流程将从改进中受益。”在许多行业中，供应链流程（包括入库和出库）广受关注。在新冠疫情（Covid）期间，企业开始意识到供应链的问题，同时由于竞争的原因，供应链流程也越来越受到关注，这是因为交货时间对客户来说是非常重要的。Dumas说，“通过流程挖掘，企业可以提前知道，如果在供应某个部件时发生延迟，会产生什么影响，以及它将如何影响所有其他依赖于该部件时间的系统。”流程挖掘允许组织通过学习他们过去的经验来提高运营绩效。对于那些从流程挖掘中获得洞察力的组织，下一步自然是用预测能力来完善流程洞察力。例如，Apromore使用历史数据来估计正在运行流程的完成时间，这有助于在多个层面上进行规划。它还可以预测客户行为，如投诉、退货和付款。提前预测结果使组织在面对不断变化的环境时能够灵活应对。目前最先进的应用是将数据分析和人工智能用于支持持续的流程改进，就是通常我们所说的增强型业务流程管理。 3 流程挖掘性能 通过流程挖掘可以实现显著的性能改进。比如，一家20年前就进入电子商务市场的零售商，在新冠疫情（Covid）期间网上购买量增加后难以跟上客户的需求。正如流程挑战中常见情况一样，该零售商无法确定延误的根本原因。鉴于该企业的流程中涉及的因素很多，包括人力资源、供应商、交货和开票，该公司迫切希望找出如何优化他们的利润率。 于是，该公司从三个信息系统中分别提取并分析了数据。针对瓶颈、流程问题和工作量不平衡实现流程可视化。然后该公司做出了一些数据驱动的运营变革，从而使得他们的服务水平协议（SLA）的履行率从74%提高到90%，取消订单（当客户发现他们的交货被推迟时经常发生）减少，客户满意度提高。 4 选择序列 由于存在可能获得高收益的巨大潜力，企业在开始时往往希望挖掘大量的流程。然而提供流程挖掘和执行管理软件产品的Celonis公司产品营销总监Sam Attias表示，最好先有选择，然后迅速扩展。他说：“最好的方法是与关键的转型举措保持一致，如共享服务或供应链转型。”Hexion是一家特种化学品制造商，它选择了几个有显著效果的项目，包括财务交易和供应链的加强。该公司部署Celonis的第一个流程是订单到现金，这是一个复杂的核心流程，从客户订单开始到付款结束。通过流程挖掘，Hexion发现其主数据包含了不正确的交付路线。一旦主数据得到纠正，路线更改就减少了45%，从而节省了交付时间和成本。另一个以前不可见的问题是未获得的现金折扣，即客户因提前支付发票而享有的折扣。在意识到这个问题后，Hexion开始让客户了解他们的付款条件，在短短六个月内，未获得现金折扣的支付额减少了50%。在过去，咨询公司会在办公桌前观察他们，做笔记，进行访谈，并制作一份大型报告，但所有这些建议往往没有得到实施。阿提亚斯说：“进行评估花了这么长时间，当评估完成时，情况已经改变了。虽然可以通过简单的指标获得洞察力，例如将一个组织的采购吞吐时间与行业平均水平进行比较，但这种类型的指标并不能提供对延误根本原因的洞察力。Celonis着眼于特定的活动和标准流程路径的偏差，”Attias继续说道，“例如，可能会出现特立独行的购买情况，即一个人不通过采购就购买货物。”通过分析事件日志获得的数字足迹是客观的，并且可以快速获得。Attias解释说，“公司可以在几周内获得价值。在发现一个问题后，Celonis还可以就如何改进流程提出建议。我们在平台之上建立了一个知识层，”他指出，“其中包括基于过去经验的高级智能和机器学习，这样客户就可以快速使用预先建立的自动化来进行改进。” Celonis还利用了其他技术，如流程仿真、一致性检查和基准测试。Celonis的执行管理系统（EMS）旨在利用内置的自动化能力来改善流程。“我们可以让组织知道修复的内容，然后可以利用自动化来进行修复，”Attias总结说。 5 流程挖掘技术是强大的 Hexion现在计划在其所有的流程中使用Celonis并逐步实施。流程挖掘还使人们更深入地了解到一个变化对邻近流程的影响。例如，订单管理流程也影响到生产计划和采购，但在Hexion开始使用Celonis之前，该公司对这些相互依存关系并不了解。Hexion的下一步将是预测可能的不利结果，并主动纠正。 流程挖掘不被认为是BPM市场的一个子集，而是一个额外的市场。市场研究人员对其目前的规模有很大分歧，有些估值是其他市场规模的两倍。然而，研究人员一致预测，未来7年的年增长率约为50%，市场价值将达到60-150亿美元。企业不仅希望了解和改进他们的流程，而且还希望能够记录他们的流程，以便进行审计和合规。随着企业应用和流程的激增，实现这些目标的挑战只会增加，而流程挖掘是一种强大的使能技术。 6 流程发现（即任务挖掘Task Maining）与流程挖掘 流程发现是改善流程的另一条途径。与流程挖掘不同，流程发现不使用事件日志或访问企业系统的后端。相反，它在用户的桌面上操作，并通过击键或鼠标点击跟踪用户行为。流程挖掘是面向系统的，而流程发现是面向用户的，将人的因素带入对流程的理解。“例如，当一张发票在ERP系统中被更新时，它会显示在事件日志中，但应收账款人员为存档所采取的步骤却不一定能看到，”Nintex产品营销副总裁Holly Anderson说，“流程发现提供了这个缺失的部分”。Nintex提供了一套工具，可以实现流程发现和自动化，以及流程映射和流程分析。Nintex的流程发现机器人捕捉用户活动的信息，而Promapp则显示反映所收集的流程信息的地图。“Promapp优化了流程，”安德森指出，“这样，公司就不会将一个设计不好的流程自动化。” 一旦确定了最有效的路径，Kryon RPA或Nintex Workflow等Nintex自动化工具就可以将选定的流程自动化。流程发现和流程挖掘是协同的，而不是竞争的。“我们的流程发现产品可以与流程挖掘整合，”Anderson继续说，“这在企业中创造了一个更完整的流程描述。” 大多数公司都是带着一个特定的问题或担忧来找Nintex，而不是全面的数字化转型。他们需要了解有哪些流程和任务，最佳流程是什么，以及哪些现有流程可以自动化。“我们的目标是建立一个记录流程的系统，”安德森说。“我们的产品可以接触到任何系统，并从所有的系统中引入信息。我们希望建立的是一个流程的单一真相来源，这是我们迄今为止在行业内没有看到的。”
2022-12-06
流程发现算法第4讲|Inductive Miner
Inductive Miner(归纳式挖掘）是一种基于流程树的算法，并在其基础上衍生了各种变体算法，比如Indcutive Miner-Infrequency，Inductive Miner-Lifecycle等。接下来，我们将详细地介绍这一基本的Inductive Miner算法。 1 背景介绍 ▼ 已有流程发现算法比较 上表总结了之前已有的流程发现算法的特点。从表中可以看出，现有的流程发现算法不能保证在有限的时间内(没有死锁和其他异常)得到的流程模型是fitting(表示所有的行为)和soundness(合理的)。 因此，需一个更综合的方法保证合理性和拟合度，并且在有限的时间内得到块结构(block-structured)模型，Inductive Miner算法应用而生。 2 思想介绍 Indcutive Miner算法主要采用分而治之的思想，将发现一个日志L的过程模型问题分解为发现通过拆分日志L得到n个子日志的n个子过程模型问题。其具体的做法是如下： a)选择最适合日志L的切分运算(顺序、并发、循环、排他)；b)将日志L中的活动通过切分运算划分为不相交的集合；c)使用这些集合将日志L拆分为子日志L1, L2,…, Ln。通过上述步骤递归挖掘这些子日志L1, L2,…, Ln，直到子日志只包含一个活动。 在介绍算法之前，我们先引入四种切分运算符，分别如下： 上图中的每个小圆圈代表每个子流程，四种运算符的详细规则如下： 排他运算符的规则为一个子流程A与另一个子流程B两个之间没有任何关联，一个子流程A中的活动的后继活动不能在另一个子流程B中，一个子流程B中的活动的后继活动不能在另一个子流程A中，两者互不关联； 顺序运算符的规则为从一个子流程A到另一个子流程B有出边，但是无入边，两者总体上只有一方到另一方; 并发运算符的规则为一个子流程A既有到另一个子流程的出边，也有另一个子流程B到这个子流程A的入边。两者彼此交叉，并行存在; 循环运算符的规则为一个活动从子流程A出发，到达另一个子流程B中，再由B重现回到A。总结为起于此终于此。 3 主要步骤 1.将事件日志转化为直接跟随活动图(DFG） 假设存在事件日志L = {<a, b, c>,<a,c,b>,<a,d,e>,<a,d,e,f,d,e>},将其转化为直接跟随活动关系图如下： 2 .切分DFG 其中图中a,b,c,d依次进行的切分操作为顺序切分，排他切分，并发切分，循环切分用流程语言可表示为： 3 .将上述过程转化为流程树语言 发现模型： M= →(a, X(∧(b, c), Q (→ (d,e),f)))，其中Q表示循环运算符。 最终生成的流程树如下图所示： 4.流程树转化为Petri网 按照上述流程树转化为Petri网规则转化第3步流程树为下述Petri网： 4 总结 Inductive Miner算法得到的流程模型能够完全拟合事件日志中的行为，但还存在以下不足： （1）没有考虑事件日志中直接跟随活动关系的频次； （2） 生成的模型中不可见变迁行为增多，使得流程模型精确度降低。
2022-12-06
流程发现算法第3讲|Heuristic Miner
Heuristic Miner（启发式挖掘算法）是在2003年被A.J.M.M. Weijters 所提出来，并在2006年进行完善，是一种继Alpha算法之后又一经典的流程发现算法，接下来，我们将详细地介绍这一算法。 1 背景介绍 现代的工作流管理系统是由显式的流程模型驱动的，也就是说，为了制定给定的工作流流程，需要一个完全指定的工作流设计。 创建工作流设计是一个复杂的耗时的过程，通常，实际的工作流过程和管理层所感知的过程之间存在差异。 因此，提出了一种可重新发现(rediscovering)工作流模型的技术。 该技术使用工作流日志来发现实际执行的工作流过程。 工作流日志包含有关发生事件的信息。 我们假设这些事件是完全有序的，每个事件指的是单个案例中正在执行的一个任务。 这些信息可以很容易地从业务信息系统中提取出来。 已有提出的流程发现算法如Alpha算法是不能够处理噪声的，对短循环和长循环也无法处理。 为此，一种更为先进的Heuristic Miner算法被提出，用于解决这些问题。 2 算法介绍 算法大致分为四个步骤： （1）构造一个依赖/频次表(D/F表);（2）建立活动的依赖度量表; (3)根据依赖/频次表和活动的依赖度量表建立依赖图;（4）将依赖图转化为WF-Net。 1. 构建一个依赖/频次表 这里使用了Alpha算法中定义的四种基本关系之一的直接跟随关系(也叫紧邻关系)，定义如下： 再根据直接跟随关系集合中对应的频次，建立一个依赖/频次表，如下所示。 2. 建立活动的依赖度量表 首先，给出了依赖度量的定义，如下所示。 下表中展示了事件日志L的依赖度量。 3. 根据依赖/频次表和活动的依赖度量表建立依赖图 根据步骤1的依赖/频次表和步骤2的活动依赖度量表建立依赖图，下面2图表示了在不同阈值设置下生成的依赖图（左图设置阈值为0.7，右图设置阈值为0.9）。 4. 将依赖图转化为WF-Net 将步骤3中的两个依赖图转化为Petri网如下两图所示。 阈值为0.7的依赖图对应的Petri网 阈值为0.9的依赖图对应的Petri网 以上为Heuristic Miner算法如何从一个事件日志转化为Petri网流程模型的简单示例。 下面我们具体来看看Heuristic Miner算法是怎么解决之前流程发现算法存在的问题。 3 解决问题 1. 噪声的处理(阈值参数设置) 通过第2部分中的算法流程，我们可以完成对噪声处理。 但是，在实际业务流程中，我们不知道轨迹<AD>是否为真的噪声还是低频率模式，为了处理这个问题，Heuristic Miner中设置了三个阈值参数： (1)依赖阈值(the Dependency threshold)； (2) 积极观察阈值(the Positive observations threshold); (3)相对最佳阈值(the Relative to best threshold). 通过这些阈值，我们认为（i）依赖性度量高于依赖性阈值，以及（ii）频次高于积极观察阈值的活动的依赖关系，以及（iii）活动依赖度量与“最佳”依赖性度量的差值小于相对最佳阈值。 在实际情况下（具有数千条轨迹、低频轨迹和一些噪声的事件日志），这些参数对于了解流程的主要行为或细节非常有用。 2. 处理短循环 对于长度为1的短循环，采用下方公式来判断活动是否存在自循环。 对于长度为2的短循环，采用下方公式来判断是否存在长度为2的短循环。 特别注意 ： 一个长度为1的循环C与一个并发流程A相结合，可以很容易地生成类似CAC的模式。 为了防止误判断为长度为2的短循环，我们先计算下方公式，然后再计算上方公式。 这样，在搜索长度为2的循环之前，我们将捕获长度为1的循环构造中的所有活动。 3. 处理AND/XOR-split/join 和不可观测活动 上图中所示的事件日志L1= [<A,B,C,D>,<A,B,C,D>,<A,C,B,D>,<A,C,B,D>,<A,E,D]的流程模型是一个Petri网。 在执行第一个任务A之后，可以选择是同时执行B和C（即并行或以任何顺序），或者只执行活动E。 如果并行执行B和C，就需要添加了两个不可观测（non-observable）的活动（AND-split 和AND-join）,注： 不可观测变迁也可叫作无声变迁、静默变迁等。 挖掘这些不可观测的活动很困难，因为它们不存在于事件日志中。 为了避免对不可观测进行显式建模。 在HeuristicsMiner中，我们不使用Petri网来表示流程模型，而是使用所谓的因果矩阵(Causal Matrix)。 作为一个例子，我们展示了上图的Petri网到因果矩阵表示的转换,下图为因果矩阵。 通过因果矩阵可以完成对不可观测活动的识别，此外，通过下方公式完成对AND-split和AND-XOR的区分。 4. 处理长距离依赖关系 上图显示了一个长距离依赖关系构造。 在执行活动D之后，存在活动E和活动F之间的选择。 然而，E和F之间的选择是由之前的B和C之间的选择“控制”的。 显然，这种非局部行为是很难挖掘的，因为主要基于直接跟随关系(a>Wb)的挖掘方法。 Heuristics Miner中定义的a>>>W b关系将很好地挖掘出此关系，定义如下： 4 总结 Heuristic Miner算法将轨迹的频次考虑在内，具有以下优势： （1）对噪声敏感； （2） 能够处理长度为1和长度为2的短循环； （3）处理AND/XOR-split/join 和不可观测活动； （4）处理长距离依赖关系。
2022-10-30