Aplicação da Mineração de Processos como uma prática para a

VII Simpósio Brasileiro de Sistemas de Informação
Aplicação da Mineração de Processos como uma prática
para a Gestão do Conhecimento
Rosemary Francisco, Eduardo A. Portela Santos
Engenharia de Produção e Sistemas – PPGEPS
Pontifícia Universidade Católica do Paraná (PUCPR) – Curitiba, PR – Brazil
[email protected], [email protected]
Abstract. Many information systems that support business processes record
events associated with the execution of the real workflow of the process. In
many of these events, it is possible identify patterns and many of the situations
encountered in day-by-day organizations, that could be reused for the
discovery of knowledge. The challenge, however, is how to extract information
from these events and provide knowledge discovery to the organizations. In
this context, this paper proposes a method able to extract this information
using techniques of process mining in a process of anomaly management.
Resumo. Muitos dos sistemas de informação que apóiam os processos de
negócios registram os eventos associados à execução do fluxo real do
processo. Em muitos destes registros, é possível identificar padrões e muitas
das situações encontradas no dia-a-dia das organizações, e que poderiam ser
reutilizadas para a descoberta do conhecimento. O desafio, no entanto, reside
em como extrair informações destes registros com o objetivo de alimentar as
organizações e proporcionar a descoberta do conhecimento. Neste contexto, o
presente artigo propõe um método capaz de extrair estas informações
utilizando técnicas de mineração de processos em um processo de
gerenciamento de anomalias.
1. Introdução
Com a constante e recente necessidade das organizações disponibilizarem processos cada
vez mais eficientes e com menor custo, a utilização de sistemas de informação para
suportar a execução de processos de negócio aumentou consideravelmente. Nestes tipos
de sistemas, é possível encontrar os dados que representam a execução real das
atividades destes processos. Por meio destes dados é possível identificar a forma como
os processos foram estruturados, como estes estão relacionados e de que maneira as
pessoas estão envolvidas, permitindo desta forma, a criação do conhecimento
organizacional e, por conseguinte, um controle gerencial maior.
No entanto, para que estes dados sejam devidamente identificados e possam ser
reutilizados pela organização, é necessário, em um primeiro momento, transformá-los em
informações. Nonaka e Takeuchi (1997) afirmam que para controlar eficazmente a
criação e a exploração do conhecimento, uma empresa deve mapear e acompanhar todos
os recursos de conhecimento existentes. Estes dados de processos que estão
armazenados nos sistemas de informação representam este tipo de recurso de
477
VII Simpósio Brasileiro de Sistemas de Informação
conhecimento existente, mas que em grande parte das organizações, ainda não foi
explorado.
A descoberta do conhecimento pode ser definida como um mecanismo de
extração automática de conhecimento a partir de fontes de informação. Ao utilizar este
mecanismo, o resultado pode tanto já estar estruturado na forma de conhecimento
representado e estruturado como em formato reconhecível pelo tomador de decisão a
partir de seu conhecimento sobre o domínio. No caso específico dos dados de
processos, antes da etapa de extração do conhecimento, será necessária uma etapa
preliminar para a transformação dos dados em informação. Nesta etapa os dados serão
devidamente identificados, analisados e estruturados a fim de resultar em informações
que possam contribuir para a descoberta do conhecimento.
Com base neste cenário, a aplicação da mineração de processos – Process Mining
– permitirá a extração dos dados dos processos inseridos num ambiente tecnológico e,
por meio destes dados, possibilitar a descoberta de informações acerca do fluxo de
atividades real do processo – WorkFlow – e da rede social que envolve todo o processo.
O conhecimento do WorkFlow e dos envolvidos em um processo de negócio permitirá
garantir a informação necessária no tempo e formato adequados a fim de auxiliar na
geração de idéias, solução de problemas e tomada de decisões. Além disso, o
conhecimento descoberto poderá ser divulgado e disseminado a todos os colaboradores,
que poderão analisar com detalhes o WorkFlow do processo e discutir melhorias com
base na estratégia da empresa.
O presente artigo propõe um modelo capaz de aplicar a mineração de processos
como uma prática para a geração do conhecimento dos processos de negócios de uma
organização por meio dos logs de eventos. Para fins de validação, o modelo foi aplicado
em um Sistema de Gerenciamento de Anomalias (SGA) que tem por objetivo cadastrar,
verificar e prover soluções para desvios nos processos de desenvolvimento de produtos,
num Sistema de Gestão da Qualidade de uma empresa do setor metal mecânico instalada
em Joinville- SC.
O artigo foi estruturado da seguinte forma: na seção 2 é discutido os principais
conceitos de gestão do conhecimento. A seção 3 descreve as principais características da
mineração de processos. A seção 4 apresenta o modelo proposto e sua aplicação no
SGA e, por fim na seção 5, são apresentadas as considerações finais.
2. Gestão do Conhecimento
Binney (2001) afirma que o conhecimento é um ativo da empresa a ser utilizado em
situações competitivas. Ao gerar e gerenciar o conhecimento, uma organização poderá
analisar com detalhes suas operações e reavaliar a forma como os processos estão
estruturados. Neste cenário, a gestão do conhecimento proporciona a capacitação da
organização para aperfeiçoar seus resultados ou operações por intermédio de um
modelo, técnicas e tecnologia de informação, como suporte para a prática coletiva de
checagem e compartilhamento do conhecimento da empresa (Abranson, 1999).
A gestão do conhecimento pode ser interpretada como um processo sistêmico de
identificação, captura, classificação, estocagem, disseminação e criação de conhecimento
útil para as organizações alcançarem seus objetivos estratégicos e buscarem a inovação
478
VII Simpósio Brasileiro de Sistemas de Informação
para obtenção de vantagem competitiva (Ferraresi e Santos, 2006). Está ligada à
capacidade das empresas em utilizarem e combinarem as várias fontes e tipos de
conhecimento organizacional para desenvolverem competências específicas e capacidade
inovadora, que se traduzem, permanentemente, em novos produtos, processos, sistemas
gerenciais e liderança de mercado (Terra, 1999).
Neste contexto o presente trabalho propõe utilizar a mineração de processos
como uma forma de gestão baseada em fatos que pode ser categorizada como parte das
práticas: Sistemática de solução de problemas e Aprendizado com base em sua própria
experiência e história sugeridos por Garvin (1993). A possibilidade de acesso e uso das
informações oportunas e dos conhecimentos organizacionais personalizados por todos na
organização, facilitados pelos recursos emergentes da tecnologia da informação, seria
equivalente a disseminação das melhores práticas da organização. Dessa forma os
resultados de análises, cenários, combinações e comparações entre informações oriundas
da base de dados única, seriam também equivalentes ao conhecimento, pois agregam
valor as atividades organizacionais (Tarapanoff e Rezende, 2006).
3. Mineração de Processos
As técnicas de mineração de processos permitem extrair informações de processos de
negócio por meio de logs de eventos (Harrington et al., 1997). Informações como
atividades do processo, responsáveis pela execução das atividades, data em que as
atividades foram realizadas e eventos que desencadearam uma atividade, são alguns
exemplos de informações que podem ser extraídas por meio da técnica. O objetivo da
mineração é, através da coleta de dados em tempo de execução, inverter o processo e
apoiar a concepção e análise do Workflow utilizado. A idéia básica da mineração de
processos é diagnosticar o conhecimento do processo de negócio por meio dos logs de
eventos (Aaslt e Medeiros, 2004).
No contexto deste trabalho, a mineração de processos é utilizada para descobrir
como o processo está estruturado e como os atributos de dados influenciam nos pontos
de decisão do fluxo de trabalho do processo. No entanto, para que a técnica possa ser
utilizada, é necessário que o log de eventos esteja no formato padrão suportado pelas
ferramentas que possibilitam a execução da técnica, neste caso, o formato MXML. O
MXML é uma especificação textual genérica em um arquivo XML que possibilita o
registro e armazenamento de informações do log de eventos (Aaslt et al., 2003). O
padrão MXML será utilizado para possibilitar a descoberta do conhecimento do
processo SGA por meio da ferramenta ProM Framework – ferramenta que utiliza as
técnicas de mineração de processos.
4. Modelo de Extração da Informação com a técnica de Mineração de
Processos para Geração do Conhecimento
A figura 1 ilustra a visão geral do modelo. A primeira etapa do modelo é a Identificação
dos dados do Processo. Nesta etapa foram verificadas as características do sistema de
informação que suporta o SGA bem como onde são armazenados os dados que são
manipulados por este sistema. Após a localização do repositório dos dados foi
necessário realizar um filtro para a coleta dos dados referente ao log de eventos, visto
que o repositório armazena todos os dados que foram gerados durante a execução das
479
VII Simpósio Brasileiro de Sistemas de Informação
instâncias do processo. A aplicação deste filtro permitiu que somente os dados que se
referem ao log de eventos, fossem utilizados.
Os dados resultantes do filtro, dados que representam o log de eventos da
amostra selecionada, foram então convertidos para o formato MXML, na segunda etapa
do modelo. Esta conversão foi necessária para que a técnica de mineração de processos
pudesse ser aplicada por meio da ferramenta ProM Framework. Para a conversão dos
dados, foi desenvolvido um algoritmo que permitiu a leitura dos dados filtrados no banco
de dados do SGA e a conversão destes dados para o formato MXML. O algoritmo foi
desenvolvido com a tecnologia Java.
Após a conversão dos dados para MXML, utilizou-se as técnicas de mineração
de processos disponíveis no ProM Framework para descoberta do fluxo do processo e
rede social do SGA. Estes procedimentos fazem parte da terceira etapa do modelo. Por
fim, na quarta etapa, é feita a análise do processo, com base nas informações do fluxo do
processo e rede social descoberta pela mineração de processos a fim de permitir a
geração do conhecimento organizacional acerca do processo em estudo. A geração do
conhecimento ocorre quando as informações são comparadas, combinadas e analisadas
por pessoas, principalmente quando utilizadas nos processos decisórios.
Figura 1. Modelo da Extração do Conhecimento.
5.1 Aplicando o modelo no SGA
Para realizar a primeira etapa do modelo no SGA foi necessário acesso ao banco de
dados do sistema de informação que suporta o processo. O banco de dados do sistema
de informação é gerenciado pelo sistema gerenciador de banco de dados (SGBD):
Microsoft SQL Server. Após o acesso ao SGDB e ao banco de dados do SGA, foi feita
uma análise nas tabelas que armazenam os dados para filtrar os dados que representam o
log de eventos. Após a identificação dos dados, foi criada uma consulta com o filtro
necessário para retornar somente os dados que representam o log de eventos da
execução do fluxo do processo. Depois da identificação dos dados do log de eventos do
SGA, foi necessário o desenvolvimento de um algoritmo para a conversão dos dados
armazenados no banco de dados, para o formato MXML, segunda etapa do modelo.
Este algoritmo foi desenvolvido utilizando a tecnologia Java e o principal objetivo deste
era a leitura dos dados retornados pela consulta e conversão destes para o formato
MXML. É necessária a conversão dos dados para este formato, pois este é o formato
aceito pelas ferramentas que utilizam as técnicas de mineração de processos. A figura 2
ilustra parte do arquivo MXML gerado pelo algoritmo com base na consulta realizado
no banco de dados.
480
VII Simpósio Brasileiro de Sistemas de Informação
Figura 2. Log de Eventos do SGA no formato MXML.
Na terceira etapa do modelo, utilizou-se o ProM Framework para a aplicação da
mineração de processos e descoberta do fluxo de trabalho e rede social do SGA. Para a
descoberta do fluxo do processo do SGA, foi utilizado um algoritmo de mineração
chamado Algoritmo Alpha. Ao utilizar o Algoritmo Alpha é importante que a estrutura
dos logs de eventos reflita claramente o comportamento do Workflow do processo de
negócio (Aalst et al, 2004). O algoritmo analisa as ocorrências de atividades e eventos e
descreve o modelo do fluxo de trabalho correspondente aos logs de eventos registrados.
O algoritmo utiliza a notação formal Redes de Petri – RdP – para a demonstração do
modelo. A figura 3 ilustra o modelo em RdP gerado pelo Algoritmo Alpha.
Figura 3. WorkFlow do Processo descoberto.
Analisando o modelo em RdP apresentado na figura 3, o processo é iniciado por
meio do evento: Ocorrência de Anomalia que inicializa a atividade: Identificação de
Anomalia. Após a identificação e registro da anomalia, são validadas as informações que
foram preenchidas no registro. Esta atividade é realizada pela liderança da área
destinatária do registro. Se o líder encontrar alguma inconsistência no registro, o
registro é retornado ao emissor da anomalia para correção das informações, esta situação
é caracterizada pela ocorrência do evento: Registro incorreto. Se o registro da anomalia
estiver adequado, o evento: Anomalia Registrada será disparado e o registro é
encaminhado para a atividade: Elaboração do Plano de Ação. Nesta atividade, é
realizado o diagnóstico das causas geradoras da anomalia bem como o preenchimento do
plano de ação para eliminação destas causas. Após o preenchimento do plano de ação, a
liderança do setor valida o plano e libera-o para execução. Porém, caso exista alguma
inconsistência no plano de ação, o líder devolve o plano de ação para ser alterado; esta
situação é caracterizada pela ocorrência do evento: Plano de Ação Insuficiente. A
atividade de validação pela liderança acontece novamente após a execução do plano de
481
VII Simpósio Brasileiro de Sistemas de Informação
ação. Nesse caso, a liderança avalia os resultados adquiridos após a execução da ação e
decide se as ações foram efetivas ou não para resolver todos os problemas encontrados.
Caso os resultados identificados não foram efetivos, o relatório de anomalia retorna para
a área de responsabilidade para revisão do plano de ação. Caso contrário, a data de
término das ações implementadas é registrada e as atividades são finalizadas.
De acordo com Rozinat e Aalst (2005), a criação de um modelo de fluxo de
trabalho é uma atividade complexa e que demanda tempo. Portanto ao utilizar a
mineração de processos para a descoberta do modelo, este tempo poderá ser direcionado
para atividades de análise e tomada de decisão em relação às melhorias do processo.
Além disso, como a mineração de processos utiliza o log de eventos para a descoberta
do modelo do fluxo de trabalho, este modelo representa a situação real da execução do
processo. Um modelo é uma forma de estruturar o conhecimento organizacional com o
objetivo de entender o funcionamento holístico de uma empresa ou um processo do
negócio (Bubenko et al., 1998).
Após a descoberta do modelo do fluxo de trabalho utilizou-se os algoritmos:
Organizational Miner e Social Network Miner do ProM para a descoberta dos
envolvidos no fluxo de trabalho. Estes dois algoritmos realizam a descoberta de
aspectos sociais a respeito da organização do processo minerado e permitem responder
as seguintes questões (Aaslt et al., 2005):
1.Quantas pessoas estão envolvidas no processo;
2.Qual é a estrutura de comunicação e as dependências entre as pessoas;
3.Quantas transferências ocorrem de um papel funcional para outro papel;
4.Quem são as pessoas importantes no fluxo de comunicação; (o fluxo mais
freqüente)
5.Quem subcontrata o trabalho de quem;
6.Quem trabalha com as mesmas tarefas.
Para responder a primeira questão, utilizou-se o recurso: Summary do ProM.
Este recurso faz um resumo das informações mineradas com base no log de eventos do
processo. As informações disponibilizadas por este recurso são: quantidade e código das
instâncias do processo que foram executadas; origem dos dados do processo; descrição
das atividades e eventos do processo, bem como a quantidade de ocorrência destas;
quais foram os eventos que iniciaram a execução do processo e quais foram os eventos
que encerraram a execução e, por fim, quais são as pessoas envolvidas no processo.
As questões que tratam das dependências e relação entre os envolvidos, questões
dois a quatro, podem ser respondidas utilizando o algoritmo Social Network Miner. A
figura 4 mostra parte da rede social descoberta. Com base nos logs de eventos, o
algoritmo Social Network Miner irá identificar todas as redes de relacionamento entre
todos os envolvidos na execução das instâncias do processo para a amostra selecionada.
Esta visualização permitirá identificar quem são as pessoas mais importantes no fluxo do
processo e como é a transferência de responsabilidades e informações entre os
envolvidos. Analisando a figura 4 é possível destacar três principais envolvidos na
execução das instâncias dos processos: Joao, Fabiano e Laurival. O envolvimento destes
está tanto no recebimento de responsabilidades / informações quanto no envio destas.
Isto significa que em grande parte das execuções dos processos estes envolvidos atuam
como líderes e são responsáveis pelas validações que ocorrem no processo.
482
VII Simpósio Brasileiro de Sistemas de Informação
Figura 4. Rede Social Descoberta.
Por fim, a questão cinco que trata das pessoas que trabalham nas mesmas
atividades, pode ser respondida utilizando o algoritmo Organizational Miner. Este
algoritmo irá identificar a relação entre os envolvidos e as atividades do processo,
possibilitando desta forma, visualizar por quem as atividades são executadas. A figura 5
ilustra parte da visualização da relação entre os envolvidos e as atividades. Para esta
visualização, foi necessário reduzir a amostra, pois com os 142 envolvidos o resultado
ficou muito poluído. A amostra utilizada para esta visão baseou-se nos vinte primeiros
registros. Analisando a figura 5 confirma-se a atuação de Joao e Laurival como
responsáveis pelas validações do processo do SGA, conforme as considerações da figura
4.
Figura 5. Visão descoberta da relação entre os envolvidos e as atividades.
5. Conclusões
Embora a técnica de mineração de processos esteja consolidada, a sua utilização como
uma prática de geração de conhecimento ainda é pouco comum. A pesquisa
bibliográfica realizada demonstra que no meio acadêmico a técnica de mineração de
processos está bem disseminada e se tornou bastante comum para a validação de
processos de negócio, porém ainda é pouco utilizada como um meio para permitir a
geração do conhecimento.
A técnica, no entanto, aplicada em conjunto com o modelo elaborado neste
trabalho, mostrou-se adequada para a transformação de dados, provenientes de um log
de eventos de um processo, em informações úteis para a geração do conhecimento
organizacional e, indica que pode ser utilizada com mais frequência. A utilização da
técnica permitiria reduzir a complexidade no levantamento de informações a respeito do
fluxo de trabalho dos processos e possibilitaria maior tempo e agilidade para as tomadas
de decisão em relação a melhoria contínua dos processos implementados. Dessa forma,
a aplicação da mineração de processos como uma prática da gestão conhecimento
483
VII Simpósio Brasileiro de Sistemas de Informação
possibilitará oferecer um melhor entendimento e uma representação uniforme do
processo perante a organização.
References
Aalst, W.M.P., Weijters, A.J.M.M., Maruster, L. “Workflow Mining: Discovering
Process Models from Event Logs”, IEEE Transactions on Knowledge and Data
Engineering, 16(9):1128–1142, 2004.
Aalst, W.M.P.; Medeiros, A.K.A. de. “Process Mining and Security: Detecting
Anomalous Process Executions and Checking Process Conformance”. In N. Busi, R.
Gorrieri, and F. Martinelli, editors, Second International Workshop on Security Issues
with Petri Nets and other Computational Models (WISP 2004), pages 69-84. STAR,
Servizio Tipografico Area della Ricerca, CNR Pisa, Italy, 2004
Abranson, G. “On The KM Midway. Consultants clamor for companies attention and
KM dollars. But Who’s offering what?” The Ernst & Young Center for Business
Innovation. May, 1999.
Binney, Derek. “The knowledge management spectrum - understanding the KM
landscape”. Journal of Knowledge Management. Volume 5 . Number 1 . 2001 . pp.
33-42
Bubenko JR., J. A.; Stirna, J.; Brash, D. EKD. “User Guide”. Dpt of computer and
systems sciences. Stockholm: Royal Institute of Technology. 1998.
Davenport, T. H. “Reengenharia de processos”. Rio de Janeiro: Campus, 1994.
Ferraresi, Alex A.; Santos, S. A. “Inteligência empresarial e gestão do conhecimento
como praticas de suporte para a decisão estratégica”. SLADE Brasil 2006 – Encontro
Luso-Brasileiro de Estratégia – Camboriú, Santa Catarina. Camboriú, 2006.
Garvin, D. “Building a learning organization”. Harvard Business Review, Vol. 71 Issue
4, p. 78 -91. Jul/Aug 1993.
Harrington, H. J., Esseling, E.K.C., Nimwegen, H.V. “Business Process Improvement:
documentation, analysis, design and management of business process improvement”,
New York: McGraHill, 1997.
Nonaka, Ikujiro; Takeuchi, Hirotaka. “Criação de conhecimento na empresa : como as
empresas japonesas geram a dinâmica da inovação”. Rio de Janeiro: 1997.
Rozinat, A; Aalst, W.M.P. “Conformance Testing: Measuring the Alignment Between
Event Logs and Process Models”. BETA Working Paper Series, WP 144, Eindhoven
University of Technology, Eindhoven, 2005.
Tarapanoff, Kira; Rezende, Denis Alcides et al.
“Inteligência, informação e
conhecimento em corporações”. Brasília: IBICT, UNESC, 2006.
Terra, J. C. C. “Gestão do Conhecimento: Aspectos Conceituais e Estudo Exploratório
Sobre as Práticas de Empresas Brasileiras”. São Paulo, 1999. Tese (Doutorado em
Engenharia da Produção), Universidade de São Paulo.
484