بررسی چالش ها برای بهره گیری از شاخص دقت در فرآیندکاوی موجودیت محور

مقاله به بررسی شاخص دقت در فرآیندکاوی موجودیت‌محور پرداخته است. فرآیندکاوی، روشی نوین برای تحلیل فرآیندهای سازمانی است که با استفاده از داده‌های ثبت‌شده، انحرافات، ناکارآمدی‌ها و گلوگاه‌ها را شناسایی می‌کند. فرآیندکاوی موجودیت‌محور، با تمرکز بر وابستگی‌های بین موجودیت‌های مختلف، یک دیدگاه جامع‌تر از فرآیندها ارائه می‌دهد. در این مقاله، شاخص دقت معرفی‌شده توسط آدامز با قوانین تعریف‌شده توسط تکس مقایسه شده است. شاخص دقت آدامز، بر اساس گراف رویداد-موجودیت، فعالیت‌های مجاز مدل و لاگ را در هر زمینه مقایسه می‌کند. این شاخص، قوانینی مانند تعیین‌پذیری، حذف رفتار اضافی، جامعیت و شمول توالی‌ها را تا حد زیادی رعایت می‌کند اما در برخی موارد مانند استقلال ساختاری و مدیریت پیچیدگی مدل‌های واقعی، چالش‌هایی دارد. چالش‌هایی از جمله حجم بالای حالات ممکن در مدل‌های دارای حلقه و پیچیدگی داده‌های واقعی نیز بررسی شده است. در پایان، مقاله پیشنهادهایی برای بهبود معیارهای دقت، مقیاس‌پذیری الگوریتم‌ها و ترکیب تحلیل‌های پیش‌بینی‌کننده ارائه می‌دهد. این پژوهش، بر ضرورت توسعه روش‌های پیشرفته برای تحلیل فرآیندهای پیچیده سازمانی و بهبود ابزارهای بصری‌سازی تاکید دارد.

examining the challenges of utilizing precision metrics in object-centric process mining

this paper examines the precision metric in object-centric process mining, a novel approach to analyzing organizational processes that focuses on the relationships among various entities within a process. process mining is an emerging field that leverages recorded data to identify deviations, inefficiencies, and bottlenecks in organizational workflows. object-centric process mining extends traditional methods by incorporating multi-entity dependencies to provide a more comprehensive view of processes. in this study, the precision metric proposed by adams is evaluated against principles outlined by tax. adams precision metric utilizes an event-object graph to compare permissible activities in the model and the event log for each context. the metric largely adheres to principles such as determinism, exclusion of extraneous behavior, inclusivity, and coverage of sequences. however, challenges such as structural independence and handling the complexity of real-world models remain. issues like the large number of possible states in looped models and the inherent complexity of real-world data are also addressed. the paper concludes by proposing improvements to precision metrics, enhancing algorithm scalability, and integrating predictive analyses. it underscores the necessity of developing advanced methodologies for analyzing complex organizational processes and improving visualization tools to better represent multi-entity dependencies.