Як прикладна дисципліна, процес-майнинг виник два десятиліття тому, і упро-
довж останніх кількох років його методи отримують все ширше застосування на практиці. Ознакою, яка відрізняє процес-майнинг від класичного дата-майнигу, є
фокусування на процесній природі оброблюваних даних. Активний розвиток ніші ринку
програмного забезпечення процес-майнингу загострив актуальність задач, пов’язаних із
підвищенням масштабованості його методів. Автори пропонують подальший розвиток
методу Fuzzy Miner, що розширює його застосування до розподілених програмних
системах з web-інтерфейсом. Для забезпечення вимог масштабованості розрахункові
процедури реалізовано у різних частинах системи: найбільш ресурсоємні алгоритми
виконуються на стороні сервера, тоді як менш ресурсоємні – на стороні web-клієнта.
Своєю чергою, серверні компоненти належать до одного із логічних рівнів: даних або
сервісів. Рівень даних відповідає за збереження даних у XES-форматі та збирання
процесних метрик. Побудова графу процесу та взаємодія з клієнтською частиною
забезпечується рівнем сервісів. Призначенням клієнтської web-програми є відбраження
графу процесу, який будує сервер. Автоматична перевірка коректності реалізації
розрахункової логіки забезпечується модульними та інтеграційними тестами. Рішення,
реалізоване авторами, ґрунтується на відкритих програмних продуктах, що дає змогу
знизити сумарну вартість програмної системи. На основі порівняння отриманих значень
із результатами, одержаними за допомогою ProM 6.8 (було застосовано плагіни: Fuzzy
Miner and Alpha++ Miner), зроблено висновок, що запропонована адаптація методу
Fuzzy Miner забезпечує відображення поведінки, яка присутня в event-даних (що також
успішно виконують відповідні ProM-плагіни). Своєю чергою, з погляду системної
архітектури запропоноване рішення демонструє кращі характеристики масштабо-
ваності, тобто здатності нарощувати обчислювальні потужності з метою опрацювання
більших обсягів event-даних порівняно із згаданими вище ProM-плагінами.
1. Burattin, A. (2015). Process Mining Techniques in Business Environments. Cham: Springer. doi: 10.1007/978-3-319-17482-2
2. van der Aalst, W.M. P., et al. (2012). Process mining manifesto. In F. Daniel, K. Barkaoui, S. Dustdar (Ed.), Business Process Management Workshops. BPM 2011 International Workshops. Lecture Notes in Business Information Processing, vol. 99 (pp. 169-194) Berlin, Heidelberg: Springer. doi: 10.1007/978-3-642-28108-2_19
3. Günther, Ch.W. & van der Aalst, W.M.P. (2007). Fuzzy Mining – Adaptive Process Simplification Based on Multi-perspective Metrics. In G. Alonso, P. Dadam, M. Rosemann (Ed.) Proceedings of the 5th International Conference on Business Process Management. BPM 2007. Lecture Notes in Computer Science, vol. 4714 (pp. 328–343) Berlin, Heidelberg: Springer. doi: 10.1007/978-3-
540-75183-0_24
4. Fuzzy Miner. (2009, June 17). Retrieved from http://www.processmining.org/online/fuzzyminer
5. Verbeek, H.M.W., Buijs J.C.A.M., van Dongen B.F., & van der Aalst, W.M.P. (2010). ProM 6: the process mining toolkit. In M. La Rosa (Ed.), Proceedings of the Business Process Management 2010 Demonstration Track, vol. 615 (pp. 34–39). CEUR-WS.org.
6. van Steen, M. & Tanenbaum, A.S. (2017). Distributed Systems, 3rd ed., distributed-systems.net.
7. van der Aalst, W.M.P. (2016). Process mining: data science in action, 2nd ed. Berlin: Springer. doi: 10.1007/978-3-662-49851-4
8. Turner, C.J., Tiwari, A., Olaiya, R., & Xu, Y. (2012). Business Process Mining: From Theory to Practice, Business Process Management Journal, 18(3), pp. 493–512. doi: 10.1108/14637151211232669
9. Rozinat, A. (2010, Oct 18). ProM Tips – Which Mining Algorithm Should You Use?, Fluxicon. Retrieved from https://fluxicon.com/blog/2010/10/prom-tips-mining-algorithm/
10. Günther, Ch. W., Rozinat, A. (2012). Disco: Discover Your Processes. Proceedings of the Demonstration Track of the 10th International Conference on Business Process Management (BPM 2012), vol. 940 (pp. 40–44). Tallinn, Estonia.
11. Batyuk, A. & Voityshyn, V. (2018). Process Mining: Applied Discipline and Software Implementations, KPI Science News, 5, pp. 22–36. doi: 10.20535/1810-0546.2018.5.146178
12. Bass, L., Clements, P., & Kazman, R. (2012). Software Architecture in Practice, 3rd ed. Addison-Wesley Professional.
13. IEEE Standard for eXtensible Event Stream (XES) for Achieving Interoperability in Event Logs and Event Streams. (2016). IEEE Std 1849–2016.
14. OpenXES. (2017, June 16). Retrieved from http://www.xes-standard.org/openxes/start
15. de Leoni, M. & Mannhardt, F. (2015, Feb 13). Road Traffic Fine Management Process. Retrieved from https://data.4tu.nl/repository/uuid:270fd440-1057-4fb9-89a9-b699b47990f5
16. Wen, L., van der Aalst, W.M.P., Wang, J., & Sun, J. (2007). Mining process models with nonfree-choice constructs, Data Mining and Knowledge Discovery, 15(2), pp. 145–180.
17. Batyuk, A. & Voityshyn, V. (2018). Software Architecture Design of the Information Technology for Real-Time Business Process Monitoring, ECONTECHMOD, 7(3), pp. 13–22.
18. Teslyuk, T., Tsmots, I., Teslyuk, V., Medykovskyy, M., & Opotyak, Y. (2017). Architecture of the management system of energy efficiency of technological processes at the enterprise. 2017 12th International Scientific and Technical Conference on Computer Sciences and Information Technologies (CSIT) (pp. 429-433). Lviv. doi: 10.1109/STC-CSIT.2017.8098822
19. Mulesa, O., Geche, F., Batyuk, A., Buchok, V. (2018). Development of Combined Information Technology for Time Series Prediction. In Shakhovska, N., Stepashko, V. (Ed.), Advances in Intelligent Systems and Computing II. CSIT 2017. Advances in Intelligent Systems and Computing, vol. 689. Cham: Springer. doi: 10.1007/978-3-319-70581-1_26