www.uhasselt.be
DSpace

Document Server@UHasselt >
Research >
Research publications >

Please use this identifier to cite or link to this item: http://hdl.handle.net/1942/23581

Title: Using event log knowledge to support business process simulation model construction
Authors: Martin, Niels
Advisors: Depaire, Benoît
Caris, An
Issue Date: 2017
Publisher: Universiteit Hasselt Bibliotheek
Abstract: Binnen een organisatie kunnen diverse bedrijfsprocessen onderscheiden worden zoals het productieproces en het facturatieproces. Wanneer een organisatie de ambitie heeft de prestaties van een bepaald bedrijfsproces te verbeteren, kan het management doorgaans verschillende beleidsopties in overweging nemen zoals het aanwerven van bijkomende werknemers, het moderniseren van het machinepark of het aanpassen van de werkprocedures. Het is doorgaans niet mogelijk verschillende van deze alternatieven uit te testen op de werkvloer aangezien dit met significante kosten gepaard kan gaan. In dergelijke situaties kan het gebruik van simulatie zinvol zijn. Simulatie omvat het nabootsen van het gedrag van een bedrijfsproces met behulp van een computermodel, ook wel een simulatiemodel genaamd. Via dit simulatiemodel kunnen de gevolgen van de wijzigingen aan het proces geëvalueerd worden in een gesimuleerde omgeving alvorens deze te implementeren. Aangezien een simulatiemodel het gedrag van het werkelijk bedrijfsproces moet nabootsen, vereist de opbouw ervan een diepgaand inzicht in de werking van het bedrijfsproces. Hiervoor kunnen informatiebronnen worden aangewend zoals documentatie over het proces, interviews met bedrijfsexperten en observaties van het proces. Ondanks de waardevolle inzichten die via deze weg verkregen kunnen worden, moeten ook enkele beperkingen van deze informatiebronnen worden onderkend. Bijvoorbeeld: interviews met meerdere bedrijfsexperten kunnen tegenstrijdige informatie opleveren en de perceptie van experten kan sterk beïnvloed worden door hun recente ervaringen met het proces. Bijgevolg is het zinvol op zoek te gaan naar informatiebronnen die beschikbaar zijn binnen een organisatie en minder beïnvloed worden door menselijke perceptie. In dit opzicht is het van belang te onderkennen dat bedrijfsprocessen almaar vaker ondersteund worden door informatiesystemen zoals Enterprise Resource Planning systems. Dergelijke systemen registreren uitvoeringsdata van het bedrijfsproces in bestanden die event logs worden genoemd. Elke rij in een event log beschrijft een bepaalde gebeurtenis in het proces, zoals de start van het inboeken van een bepaalde factuur door een bepaalde medewerker. Het afleiden van zinvolle inzichten uit een event log behoort tot het onderzoeksdomein process mining. Dit proefschrift handelt over het gebruik van event logs als een bijkomende informatiebron tijdens het opbouwen van een simulatiemodel. Ondanks het potentieel van process mining om de ontwikkeling van een simulatiemodel te ondersteunen, bestaan nog maar beperkte wetenschappelijke inzichten rond het systematisch gebruik van kennis uit event logs in deze context. Gegeven deze vaststelling streeft dit proefschrift twee doelstellingen na, zijnde (i) het aanreiken van de noodzakelijke conceptualisering om kennis uit event logs structureel te integreren in de bouw van een simulatiemodel en (ii) het ontwikkelen van methoden om specifieke modelleringstaken tijdens het bouwen van een simulatiemodel met inzichten uit event logs te ondersteunen. Om de eerste doelstelling te bereiken wordt in eerste instantie een stappenplan voorgesteld om een simulatiestudie uit te voeren. Dit stappenplan laat toe het gebruik van event logs te positioneren in een breder kader. Vervolgens wordt overgegaan tot het identificeren van de belangrijkste bouwstenen van een simulatiemodel en de specificatie van modelleringstaken die vereist zijn tijdens de opbouw van een simulatiemodel. Voor elke modelleringstaak wordt op een conceptueel niveau aangegeven hoe event logs ondersteuning kunnen bieden. Op basis van de geïdentificeerde modelleringstaken worden, in navolging van de tweede doelstelling van dit proefschrift, methodes ontwikkeld om drie modelleringstaken te ondersteunen. Het betreft het modelleren van (i) het aankomstenritme van entiteiten, (ii) het fenomeen batch processing en (iii) werkschema’s van resources. De eerste modelleringstaak waarvoor een methode wordt ontworpen is het aankomstenritme van entiteiten, hetgeen verwijst naar het modelleren van het ritme waarmee nieuwe entiteiten (zoals klanten of dossiers) aankomen in het proces. Doorgaans wordt het aankomstenritme gemodelleerd door een kansverdeling te definiëren voor de tussenaankomsttijd, hetgeen de tijd is tussen de aankomst van twee opeenvolgende entiteiten. Eerder onderzoek rond het modelleren van het aankomstenritme via event logs maakt de assumptie dat een entiteit aankomt op het moment dat de eerste activiteit voor deze entiteit start. Deze veronderstelling is echter niet geldig wanneer zich een wachtrij vormt bij eerste activiteit aangezien de entiteit dan al eerder is aangekomen. Bijgevolg wordt in dit proefschrift een nieuw algoritme, genaamd ARPRA (Arrival Rate Parameter Retrieval Algorithm), ontworpen dat rekening houdt met de vorming van wachtrijen aan de eerste activiteit bij het afleiden van een kansverdeling voor de tussenaankomsttijden. De algemene principes van ARPRA, die breed toepasbaar zijn, worden geoperationaliseerd voor de gamma verdeling. Via de toepassing van het algoritme op artificiële data wordt empirisch aangetoond dat ARPRA een onvertekende schatting oplevert voor de werkelijke parameters van de gamma verdeling. Bovendien wordt aangetoond dat het algoritme een accuratere inschatting maakt van het aankomstenritme dan een methode die de vorming van wachtrijen aan de eerste activiteit negeert. Een sensitiviteitsanalyse toont aan dat ARPRA robuust is voor de gekozen beginoplossing binnen het algoritme en dat accuratere resultaten behaald worden voor grotere event logs dan voor kleinere logs. Het fenomeen batch processing is de tweede modelleringstaak die in beschouwing wordt genomen. Een resource zoals een werknemer of een machine voert eenzelfde activiteit doorgaans uit op meerdere entiteiten. Het is niet per definitie zo dat een resource deze activiteit op een entiteit zal uitvoeren op het eerste moment dat dit mogelijk is. Omwille van technische redenen of ingegeven door efficiëntiemotieven is het mogelijk dat een resource verschillende entiteiten laat samenkomen om deze als groep te verwerken. Dit type gedrag wordt batch processing genoemd. Om de specificatie van batch processing in een simulatiemodel te ondersteunen, worden in dit proefschrift twee algoritmes voorgesteld: BOWI (Batch Organisation of Work Identification) en BARI (Batch Activation Rule Identification). BOWI identificeert groepen entiteiten die voldoen aan de voorwaarden van één van de drie types batchinggedrag in een event log. Op een geaggregeerd niveau genereert BOWI ook metrieken die bijvoorbeeld gerelateerd zijn aan het aantal entiteiten die gegroepeerd worden in een batch. Analyses op artificiële data tonen aan dat het algoritme in de meeste omstandigheden batches in hun correcte samenstelling ontdekt. Naast de identificatie van batches, is het ook zinvol inzichten te genereren in de logica achter batchinggedrag. Vanuit dit oogpunt wordt BARI ontwikkeld, een methode die activatieregels afleidt uit een event log, hetgeen regels zijn die aangeven wanneer een resource een batch begint te verwerken. Een batch kan bijvoorbeeld geactiveerd worden op een bepaald moment van de dag of wanneer het aantal wachtende entiteiten een bepaalde grenswaarde overstijgt. Het ontdekken van activatieregels wordt aanzien als een classificatieprobleem, waarbij situaties waarin een batch wordt geactiveerd onderscheiden moeten worden van situaties waar dit niet het geval is. De activatieregels die uit artificiële event logs worden afgeleid behalen een sterk classificatievermogen gegeven hun hoge waarden voor maatstaven zoals accuracy, recall en precision. Wanneer echter de beslissingsvariabelen en grenswaarden van de regels in ogenschouw worden genomen, genereert BARI gemengde resultaten, dewelke deels toe te schrijven zijn aan de kenmerken van de artificiële event logs. Zowel BOWI als BARI worden eveneens toegepast op event logs van reële bedrijfsprocessen. De laatste modelleringstaak die behandeld wordt is de specificatie van werkschema’s van resources. Resources, hoofdzakelijk menselijke resources, zijn immers niet permanent beschikbaar om activiteiten uit te voeren en zijn mogelijks verbonden aan meerdere bedrijfsprocessen. Wanneer een simulatiemodel voor één bepaald proces wordt opgebouwd, is het bijgevolg noodzakelijk inzicht te verwerven in de beschikbaarheid van een resource voor dit specifieke proces. Hiertoe wordt RSIM (Resource Schedule Identification Method) ontworpen, een algoritme dat de specificatie van werkschema’s ondersteunt met behulp van event logs. RSIM gebruikt de event log om daily availability records af te leiden, dewelke de beschikbaarheid van een resource voor een bedrijfsproces op een bepaalde dag uitdrukken. Deze daily availability records kunnen gebruikt worden om werkschema’s te definiëren. Hiernaast voorziet RSIM een reeks metrieken die een meer geaggregeerd beeld geven over de mate waarin een resource verbonden is aan het proces. Gebruik makend van artificiële event logs wordt empirisch aangetoond dat RSIM relatief nauwkeurige daily availability records genereert, voornamelijk voor resources met een hoge bezettingsgraad. Het algoritme wordt tevens toegepast op een reële event log van een callcenter.
URI: http://hdl.handle.net/1942/23581
ISBN: 9789089130556
Category: T1
Type: Theses and Dissertations
Appears in Collections: PhD theses
Research publications

Files in This Item:

Description SizeFormat
N/A6.11 MBAdobe PDF

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.