CC BY
28УДК 336.6
doi:10.52210/2224669X_2021_3_92 СРАВНИТЕЛЬНЫЙ АНАЛИЗ
ИНСТРУМЕНТОВ МОНИТОРИНГА БИЗНЕС-ПРОЦЕССОВ В ФИНАНСОВОЙ СФЕРЕ
Ю.И. Бауман, С.Т. Цаплин
Аннотация. Работа посвящена сравнению функциональных возможностей инструментов для интеллектуального анализа бизнес-процессов в финансовой сфере. Результаты представлены в табличной форме, отражающей преимущества и недостатки рассмотренных инструментов. Статья будет полезна для тех, кто изучает особенности анализа бизнес-процессов, а также для людей, желающих изучить подходы к оптимизации бизнес-процессов. Кроме того, статья будет полезна для специалистов, занимающихся построением экспертных систем. Основным методом исследования был сбор и интерпретация данных об использовании инструментов для анализа логов бизнес-процессов в рамках международного конкурса BPIC 2017. В ходе исследования были выявлено, что существующие подходы и инструменты обладают рядом недостатков, а именно: отсутствие функциональных возможностей по поиску аномалий в процессах; неполная статистическая информация об изучаемом процессе: отсутствие интерпретируемости полученных результатов. Существующие системы для анализа бизнес-процессов не покрывают части потребностей в экспертном анализе бизнес-процессов, существующих на сегодняшний день. Основываясь на полученных результатах сравнительного анализа, были предложены рекомендации по созданию новой экспертной системы с более широкими возможностями для автоматизированной аналитики процессов.
Ключевые слова: интеллектуальный анализ процессов, анализ социальных сетей, кластеризация процессов, типовой процесс.
COMPARATIVE ANALYSIS OF BUSINESS PROCESS MONITORING TOOLS IN THE FINANCIAL SECTOR
Yu.I. Bauman., S.T. Tsaplin
Abstract. The paper is devoted to comparing the functionality of tools for intelligent analysis of business processes in the financial sector. The results are presented in tabular form, reflecting the advantages and disadvantages of the considered tools. The article will be useful for those who study the features of business process analysis, as well as for people who want to study approaches to optimizing business processes. In addition, the article will be useful for specialists involved in the construction of expert systems. The main research method was the collection and interpretation of data on the use of tools for process analysis
in the framework of the international competition BPIC 2017. The study revealed that the existing approaches and tools have a number of disadvantages, namely: lack of functionality to search for anomalies in the processes; incomplete statistical information about the process under study: lack of interpretability of the results obtained. Existing systems for business process analysis do not cover some of the needs for expert analysis of business processes that exist today. Based on the results of the comparative analysis, recommendations were proposed for the creation of a new expert system with more extensive capabilities for automated process analytics.
Keywords: intelligent process analysis, social network analysis, process clustering, standard process.
В современном мире существенное значение имеет скорость принятия решений в рамках корпоративных бизнес-процессов, к которым можно отнести такие как: обработка заявок, принятие решений о выдаче кредитов, назначение командировок или премий и другие, которые оказывают влияние как на качество предоставляемых услуг, так и на репутацию компании среди сотрудников и потребителей. Для оптимизации бизнес-процессов в целом и увеличения скорости прохождения под-процессов в рамках процессов верхнего уровня, применяются технологии интеллектуального анализа процессов [6, с. 228; 8, с. 163]. В основе этих технологий лежит обработка «логов» (технологических журналов) под-процессов, входящих в оптимизируемые процессы верхнего уровня или над-процессы [5, с. 82; 1, с. 4]. На сегодняшний день можно выделить ряд инструментов, использующих указанные технологии для решения поставленных задач, каждый из которых обладает своими преимуществами и недостатками.
Целью настоящей статьи является формирование рекомендаций по созданию программного комплекса, который смог бы объединить в себе преимущества уже имеющихся технологий и средств, устранить их существующие недостатки и добавить новые функции и возможности современных информационных технологий. Рекомендации, выработанные в процессе сравнительного анализа, направлены на формирование параметров и характеристик прототипа программного продукта, решающего задачи обеспечения более детального и разностороннего анализа бизнес-процессов, что, в свою очередь, позволяет более точно описать и сформировать типовой эталонный процесс для решаемой в реальных условиях задачи и, как следствие, позволит описать, сформулировать и применить
улучшенный комплексный подход при решении задачи оптимизации бизне с-проце сса.
Основной методикой исследования является сбор данных и их анализ. Основополагающей информацией стали отчеты победителей международного конкурса BPIC 2017 [11], а также лог бизнес-процесса, который был предоставлен в рамках соревнования.
В настоящей работе исследованы несколько уже известных инструментов для анализа бизнес-процессов (ИАБП). Перечень ИАБП сформирован по материалам международных конкурсов Business Process Intelligence Challenge. По результатам анализа текстов материалов выделено несколько инструментов, которые использовались участниками - победителями указанных выше конкурсов:
1. Комплекс «Disco» от компании Fluxicon [3; 12, с. 27]. Данный инструмент активно используется командами-победителями для составления аналитических отчетов в рамках соревнований по process mining.
2. Комплекс «ProM lite», который часто используется для анализа технических журналов [3, с 39-41]. Авторами этого инструмента являются некоторые из основателей направления process mining, а именно Вил ван дер Аалст, Будевейн ван Доген, C. Гюнтер, А. Розинат, H.M.W. Вербек, А. Вейтерс. В «Prom lite» (в отличие от его предшественника - комплекса «Ргот»'а) предустановлены модули для анализа технических журналов, предназначенные для загрузки файлов журналов, их обработки и фильтрации.
3. Комплекс «Celonis», который часто пользуется участниками конкурсов по анализу технических журналов [4, с 22].
4. Комплекс «Power BI», разработан компанией Microsoft и активно применяется в задачах, связанных с аналитикой данных [2, с. 55-57].
Для того, чтобы обеспечить объективное сравнение инструментов для анализа бизнес-процессов, необходимо найти такой бизнес-процесс, который соответствует реальному бизнес-процессу и такое его описание, которое позволяет провести как количественный, так и статистический анализ. Для этой цели было решено взять технические журналы, предоставляемые в рамках ежегодного конкурса по интеллектуальному анализу бизнес-процессов - Business Process Intelligence Challenge (BPIC) [13]. В рамках данных соревнований участникам предоставляются данные в виде одного или нескольких
файлов в формате «.xes». Эти файлы представляют собой описание различных частей одного бизнес-процесса. В технических журналах содержатся сведения о том, к какому кейсу принадлежит запись, в какое время кейс перешел на этап, соответствующий текущей записи, ресурс, который был задействован для обработки кейса в данный момент времени. Также в журналах присутствуют опциональные поля, которые зависят от специфик задачи. В качестве процесса, на основе которого был сделан сравнительный анализ инструментов для анализа бизнес-процессов, было решено взять систему работы, описанную в рамках BPIC 2017. Данные, предоставленные в рамках конкурса, описывают процесс получения кредита клиентами банка. Данные предоставлены Датским Финансовым Институтом и включают в себя 31 509 кредитных заявок и 42 995 предложений по этим заявкам. Всего технические журналы включают в себя 1 202 267 событий. Помимо того, что описанные выше технические журналы соответствуют разным этапам одного реального бизнес-процесса, у них есть еще одно преимущество, которое позволяет выбрать эти файлы в качестве процесса для анализа - аналитические отчеты, сделанные на основе данного процесса в рамках конкурса находятся в открытом доступе, и на них возможно опираться для тестирования выбранных инструментов.
Для того, чтобы объективно провести сравнительный анализ инструментов, которые были выбраны на предыдущем этапе, необходимо иметь не только описательную информацию, которая находится на сайтах поставщиков, но и информацию, полученную в ходе практического исследования инструментов. С этой целью было решено провести аналитическую работу над логами, выбранным ранее. Методы, используемые для анализа технических журналов, были взяты из отчетов победителей данного конкурса [14].
Первым этапом в процессе анализа технического журнала является просмотр статистической информации о загруженном журнале. По этой причине было необходимо оценить эту информацию, предоставляемую инструментами для анализа технических журналов. На рисунках 1-3 представлены страницы со статистической информацией о распределении экземпляров процесса во времени и их длительности, полученной с помощью инструментов «Disco», «Prom» и «Celonis», применимо к загруженному журналу. Инструмент «Power BI» не обладает возможностью автоматического предоставления статистической информации по загруженному журналу.
Рисунок 1. Статистика журнала из «Disco»
Источник: сделан авторами
После получения статистических данных об анализируемом бизнес-процессе необходимо понять, какие этапы включает в себя бизнес-процесс и в какой последовательности они идут. Кроме того, для полного понимания особенностей рассматриваемого процесса
■
щ 9 j
в
г
Рисунок 2. Статистика журнала из «Prom»
Источник: сделан авторами
Рисунок 3. Статистика журнала из «Celonis»
Источник: сделан авторами
необходимо изучить не только процесс в общем, но и его части. С этой целью для технического журнала применяются различные фильтры: фильтр по вхождению события в граф процесса или его исключению, фильтры по продолжительности процесса, фильтры по последовательности этапов. Инструменты, рассматриваемые в данной статье, имеют различные наборы функций для фильтрации технических журналов. На рисунках 4-7 представлены фильтры, доступные в анализируемых инструментах.
Для того, чтобы определить вид типовых процессов, соответствующих процессу, описанному в техническом журнале, необходи-
1= 0 9
Attribute selection Activity selection Process flow selection
Select cases based on specified attributes. e.g. only cases where region Is"china* or coses thai started on 2nd of February 2015. e.g. only coses that start at "Create Purchase Order" and flow through "Delivery of goods" specified sctlvlty. e.g. only coses where "Invoice sent* Is followed by "Invoice
2 r* KS %
Throughput time selection Rework selection Crop selection
than defined period of time. SUSST——™ Crop the cases to display only activities occurring Inside the cropped
e.g. only coses where duration from"Item sent" to "Item received" Is shorter thon3 days. e.g. only cases where"Invoice paid* happens more than once. e.g. only the process between "Phone support ticket created" and
Рисунок 4. Фильтры для технического журнала «Celoms»
Источник: сделан авторами
I-U.UVC INICIO
click to add filter...
О w Timeframe Filters by timestamp
«1 Variation Filters variants
0 Performance Filters cases by performance
»»> Endpoints Removes incomplete cases
о Attribute Removes events by attribute
i> Follower Filters by subsequences
Рисунок 5. Фильтры для технического журнала у инструмента «Disco»
Источник: сделан авторами
Рисунок 6. Фильтры для технического журнала у инструмента «Prom»
Источник: сделан авторами
р Поиск
Фильтры на этой странице
case_Task л X а
(все)
Тип фильтра О
Расширенная фильтрац..
Показать элементы, когда
значение:
содержит Ч>
содержит
не содержит
начинается с
не начинается с
является
i не является
является пустым
не является пустым
Фильтры на всех страницах
Добавьте сюда поля с да...
Рисунок 7. Фильтры для технического журнала у инструмента «Power BI»
Источник: сделан авторами
мо иметь возможность графического представления в виде графов. При этом вид графов, который получается при анализе исходных данных, зависит от типа minera, который используется для обработки. Инструмент «Power BI» не имеет для визуализации графов технического журнала. Инструменты «Disco» и «Celonis» позволяют исследовать процесс только с помощью алгоритма heurisitic miner [9, с. 174-177], а инструмент «ProM lite» позволяет пользователю самому выбирать одну из следующих моделей: BPMN, WF, Petri nets, ECPs, Transition systems, Heuristics [15].
Анализ. Основываясь на предпочтениях победителей конкурса ВР1С, а также исходя из трудностей, с которыми сталкивались участники при использовании того или иного инструмента, было выбрано 10 параметров, по которым был проведен сравнительный анализ рассматриваемых инструментов. Ячейки, выделенные зеленым цветом, обозначают преимущества данного инструмента по сравнению с другими.
В таблице были рассмотрены следующие параметры:
- типы входящих технических журналов - поддерживаемые форматы входных данных;
- ограничение по количеству строк - максимальное количество строк для исследования;
- типы моделей для анализа - какая модель будет применяться для анализа логов;
- поддерживаемые платформы - типы платформ, где может быть установлено ПО;
- анимация процесса (повтор прохождения) - визуальное отображение процесса прохождения процессов между этапами;
- наличие фильтров - наличие условий и ограничений, позволяющих выделять отдельные подмножества процессов;
- поиск циклов и «пинг-понга» - наличие в процессе переходов следующего типа: А->В->А;
- поиск типового процесса - поиск такого процесса, который соответствует идеальному процессу для данной задачи;
- экспорт графов - экспорт графа процесса в качестве изображения;
- проверка соответствия - сравнение существующего процесса с процессом, предоставленным пользователем.
Выбранные показатели напрямую влияют на возможности системы или позволяют ответить на вопросы, которые чаще всего встречаются на соревнованиях по анализу бизнес-процессов. Наличие той или иной функции в инструменте для интеллектуального анализа бизнес-процессов из приведенного списка значительно улучшает качество анализа и его многогранность.
Для проведения исследования составлена сводная таблица 1 сравнительного анализа инструментов, в которой представлены качественные характеристики инструментов.
Таблица 1
Сравнительная таблица инструментов для интеллектуального анализа процессов
Функциональность «ProM lite» «Celonis» «Disco» «Power BI»
Типы входящих технических журналов MXML, XES CSV, XLSX,XES CSV, TXT, XLS(X), MXML, XES Любой файл Excel, а также SQL Server/ Azure или текстовые файлы
Ограничение по количеству строк Неограниченно В зависимости от ограничения базы данных До 5 млн событий В зависимости от ограничения базы данных
Типы моделей для анализа BPMN, WF, Petri nets, ECPs, Transition systems, Heuristics и др.
Поддерживаемые платформы Desktop Version Web, Software as a service version Desktop Version Desktop Version
Анимация процесса (повтор прохождения) + + + -
Наличие фильтров + + + +
Поиск циклов и «пинг-понга» - - - -
Поиск типового процесса - - - -
Экспорт графов - BPMN PDF, PNG, JPG, XML -
Проверка соответствия + + - -
Источник: составлена авторами
На основе таблицы 1 и содержания отчетов участников-победителей международных соревнований сформулированы критерии сравнения, преимущества и недостатки принятых к рассмотрению инструментов для интеллектуального анализа бизнес-процессов. Результаты сравнительного анализа понуждают бизнес-аналитиков к использованию комплексов средств для анализа технических журналов, что является ресурсно-затратной технологией, как с точки зрения вычислительных ресурсов, так и с точки зрения ресурсов аналитика, который вынужден переключаться между различным программным обеспечением в рамках выполнения одной аналитической задачи. Кроме того, на сегодняшний день существуют [7, с. 127] такие функции для исследования технических журналов, описанные участниками конкурса BPIC, реализация которых не представлена ни в одном из инструментов для их анализа. Выводы, сделанные на основе данной таблицы, направлены на создание нового инструмента для интеллектуального анализа процессов, который не только сочетает в себе лучшие функции своих аналогов, но и имеет новые конкурентные преимущества.
Библиографический список
1. Абдулаев И. Повышение операционной эффективности организации с применением инструментов и методов Process Mining // Стратегии бизнеса 2019. № 4 (60).
2. БеловА.А., Зыков И.Е. Использование гидропонных установок в школьной проектной деятельности // Проблемы современного педагогического образования. 2019. № 63-2.
3. Васильев Н.В., Забродин О.В., Куликов Д.В. Метод process mining в системе защищенного электронного документооборота // Наукоемкие технологии в космических исследованиях земли. 2018. Т. 10. № 6.
4. Главацкий С.Т., Бурыкин И.Г. О цикле курсов «Аналитика больших данных для математиков» // Современные информационные технологии и ИТ-образование. 2016. Т. 12. № 3-2.
5. Кукарцев А.В., Горлевский К.И. Инструменты управления бизнес-процессами предприятия ракетно-космической промышленности в конкурентной среде // Отраслевые рынки. 2013. № 5 (41).
6. Морозевич Е.С., Панфилов И.А. Process Mining как инструмент совершенствования бизнес-процессов // Решетневские чтения. 2017. № 21-2.
7. Ольхович Л.Б. Автоматизированная оптимизация бизнес-процессов» // Вестник Санкт-Петербургского университета. Прикладная математика. Информатика. Процессы управления. 2008. № 3.
8. Тимофеев Д.А., Самочадин А.В. Извлечение моделей бизнес-процессов из обучающих материалов // Информатика, телекоммуникации и управление. 2018. Т. 11. № 4.
9. Ходырев И.А. Сравнение алгоритмов process mining для задачи поиска моделей процессов // Информатика, телекоммуникации и управление. 2011. № 6-2 (138).
10. Prom Lite. URL: https://promtools.org/doku.php?id=promlite12 (дата обращения: 12.10.2020).
11. Business Process Intelligence 2017. URL: https://www.win.tue.nl/bpi/doku. php?id=2017:challenge (дата обращения 20.09.2020).
12. Nesterov R.A., Lomazova I.A. Using interface patterns for compositional discovery of distributed system models // Труды Института системного программирования РАН 2017. Т. 29. № 4.
13. Process mining on the loan application process of a Dutch Financial Institute. BPI Challenge 2017. Liese Blevi, Lucie Delporte, Julie Robbrecht. KPMG Technology Advisory. URL: https://www.win.tue.nl/bpi/lib/exe/ fetch.php?media=2017:bpi2017_winner_professional.pdf (дата обращения 30.09.2020).
14. W.M.P. van der Aalst. Process mining. Discovery, Conformance and Enhancement of Business Process. Springer-Verlaq, 2011.
15. W.M.P. van der Aalst, Springer Verlag Process Mining: Data Science in Action, 2016.
Ю.И. Бауман
старший преподаватель кафедры компьютерных систем и сетей факультета информатики и систем управления Московский государственный технический университет им. Н.Э. Баумана E-mail: [email protected]
С.Т. Цаплин
студент бакалаврской программы «Информатика и вычислительная техника» факультета информатики и систем управления
Московский государственный технический университет
им. Н.Э. Баумана
E-mail: [email protected]
