Servicios personalizados
Español (pdf)
Articulo en XML
Referencias del artículo
Enviar articulo por email
Citado por SciELO 
Similares en
SciELO 
Permalink
I. INTRODUCCIÓN
La ejecución de los procesos de negocio en una empresa, habitualmente son registrados por sistemas de información tales como los sistemas de Planificación de Recursos Empresariales (ERP) u otros de propósitos más específicos [1]. Los registros de estos sistemas almacenan las trazas de ejecución de los procesos de negocio y se denominan registros de eventos.
La minería de proceso es una disciplina que impulsa el desarrollo de técnicas y herramientas para analizar los procesos, partiendo de los registros de eventos. Estos análisis tienen como objetivo proveer un mejor entendimiento de los procesos y los elementos para mejorar su rendimiento [2]. Los registros de eventos están conformados por trazas, donde cada traza contiene una secuencia de eventos ordenados según su ocurrencia. Estos reflejan la ejecución de las actividades del proceso al cual pertenece la traza. Asociado a los eventos se registran el instante de tiempo en el cual ocurrió, el recurso que ejecutó la actividad y datos relevantes del negocio [3].
Las técnicas de minería de proceso analizan automáticamente la información contenida en los registros de eventos, ofreciendo resultados en menor tiempo y con mayor fiabilidad que las técnicas tradicionales de análisis de procesos, lo cual ha aumentado el interés en esta disciplina [4]. La minería de proceso es utilizada en diferentes etapas de la gestión de procesos de negocio, incluyendo el diagnóstico, la ejecución, el ajuste y la reconfiguración [5].El diagnóstico del proceso ayuda a tener una visión general del proceso, de los aspectos más significativos del mismo y de las técnicas que pueden ser más útiles en su posterior análisis [6].Esta etapa de la gestión de procesos de negocio abarca el análisis de rendimiento, la detección de anomalías, la identificación de patrones comunes y su contextualización [7]. La comprensión del proceso en la etapa de diagnóstico es fundamental, debido a que es la primera dentro de la gestión de procesos de negocio.
La comprensión de los procesos, a través de los modelos que los representan, depende de las características del modelo y de las características del usuario que interpreta el modelo [8]. La comprensión del modelo debe ser entendida como una escalera [9]: la sintaxis (cómo se combinan los elementos gramaticales en un modelo de proceso) debe estar clara antes de que la semántica pueda ser discutida y la semántica (qué significan los elementos gramaticales del modelo de proceso) debe estar clara antes de discutir los elementos pragmáticos. Por tanto, lograr la comprensión del proceso en la fase de diagnóstico requiere que se representen adecuadamente los aspectos relevantes (sintaxis), que estos sean veraces (semántica), y conduzcan a interpretaciones y acciones prácticas (pragmática).
Se han desarrollado un conjunto de técnicas de minería de proceso útiles en la etapa de diagnóstico. Sin embargo, determinadas características de los registros de eventos condicionan el impacto de estas técnicas en la comprensión del proceso. Las dimensiones y/o la complejidad del registro de eventos, así como el número de tareas involucradas provocan que las representaciones de las técnicas Dotted Chart Analysis[10] y Trace Alignment[7] sean complejas, dificultando la comprensión en su dimensión sintáctica. La Descomposición en Bloques de Construcción [11] al no considerar el ruido presente en el registro de eventos, genera descomposiciones incorrectas de los subprocesos, afectando la comprensión semántica del proceso en este tipo de situaciones. FuzzyMiner[12] maneja adecuadamente el ruido, sin embargo, no considera la ausencia de información en el registro de eventos, lo cual puede conducir a representaciones incorrectas en el modelo que ofrece. Adicionalmente, las técnicas Dotted Chart Analysis, FuzzyMiner y Trace Alignment no identifican los patrones de control de flujo presentes. Al no identificar los patrones se dificulta la ubicación en contexto de las anomalías y patrones comunes que ofrecen, limitando la comprensión en el ámbito pragmático.
De forma general, las técnicas disponibles para el diagnóstico suelen ser afectadas por el ruido, el número de tareas involucradas, las dimensiones y/o la complejidad del registro de eventos [13]. Además, solo permiten una comprensión fragmentada del proceso, desde la perspectiva única de cada herramienta, brindando poca información sobre los comportamientos infrecuentes del proceso o la completitud del registro de eventos.
En este trabajo se identifican los elementos que afectan la compresión del proceso en la etapa de diagnóstico. A partir de estos elementos se propone una nueva técnica de minería de proceso. La técnica propuesta permite superar limitaciones de las técnicas disponibles, ante la presencia de ruido y/o ausencia de información en los registros de eventos, mejorando la comprensión del proceso.
II.MÉTODOS
La comprensión de un proceso pasa por la comprensión de sus representaciones, es decir, por la comprensión del o de los modelos que lo representan. Por su parte, la comprensión del modelo del proceso es una función de las características del modelo y de las características del usuario que interpreta el modelo [8,14] Este trabajo se centra en las propiedades del modelo de proceso que intervienen en la comprensión.
Para establecer los elementos que determinan la comprensión de un modelo de proceso se ha utilizado la semiótica y la teoría de carga cognitiva. La teoría semiótica establece que la comprensión debe ser entendida como una escalera, incluyendo la sintaxis, la semántica y la pragmática, en orden ascendente [9] La teoría de carga cognitiva distingue entre la carga cognitiva intrínseca y extrínseca. La intrínseca está determinada por la complejidad de la información, es decir, la cantidad de elementos y sus relaciones e interacciones. En el dominio del proceso, la carga intrínseca se refiere a la complejidad del proceso modelado y la carga extrínseca es determinada por la forma en la que la información es representada [15].Por ende, la carga cognitiva extrínseca está sujeta a las decisiones de diseño que se realizan al describir el proceso en un modelo [16].
Comprensión desde la modelación de procesos
La comprensión ha sido abordada en la literatura como un criterio determinante en la calidad de la modelación de procesos. El framework de calidad de modelos SEQUAL[17], se basa en la semiótica, estableciendo como dimensiones de la calidad de un modelo: la sintáctica, semántica y pragmática. La calidad sintáctica se asocia al modelo y al lenguaje de modelado; la calidad semántica relaciona el modelo, el dominio y el conocimiento,y por último, la calidad pragmática relaciona el modelo, la modelación y su habilidad para facilitar el aprendizaje y la acción [18]. La calidad pragmática, según SEQUAL, es la relación entre el modelo y la interpretación de la audiencia del modelo, teniendo como meta la comprensión, atendiendo la habilidad del modelo para facilitar el aprendizaje y la acción. Se proponen, como medios para elevar la calidad pragmática, la capacidad de ejecución, simulación y animación del modelo, así como su transformación y filtrado para presentar abstracciones del modelo desde diferentes puntos de vista [9].
La Guía de Modelación (GOM) es otro framework para evaluar la calidad de la modelación y se basa en los principios de “correctitud”, claridad, relevancia, comparabilidad, eficiencia económica y diseño sistemático [19]. Utilizando el principio de claridad de GOM y la calidad pragmática de SEQUAL se ha determinado que, desde el punto de vista de las características del modelo, el grado de conexión promedio entre los elementos y la densidad del modelo son relevantes, pero el tamaño constituye el factor primario que incide en la comprensión [20].
Adicionalmente, se han identificado como características de interés para la comprensión, el diseño y uso de los constructores gramaticales [16] el resaltado de colores[21], la división en subprocesos [22] y el estilo gramatical de las etiquetas de texto [23]. Los resultados de estas y otras investigaciones que relacionan los estilos de modelación de procesos por una parte y el entendimiento del modelo, así
como lapropensión a errores por otra, han conducido al planteamiento de una guía de siete principios básicospara la modelación de procesos: 7PMG [24]. En esta guía se recomienda que se debe modelar estructuradamente, usando tan pocos elementos en el modelo como sea posible y descomponer cualquier modelo con más de 50 elementos.
En el caso particular de la comprensión sintáctica del modelo, esta puede ser analizada desde dos ángulos: el rendimiento (en qué medida la interpretación del modelo contribuye a comprender el contenido formal del modelo) y la eficiencia (qué recursos son utilizados para comprender el modelo). Considerando que la semántica del modelo se expresa en sus etiquetas textuales se ha demostrado que la información semántica adicional obstaculiza la comprensión sintáctica [8]. Esto se debe a que una etiqueta de texto larga, implica una mayor carga cognitiva con respecto a una única letra al utilizar una mayor parte de la memoria de trabajo para procesar la información textual y la información de dominio que representa.
En la comprensión semántica, por otra parte, influye la selección del idioma utilizado para las etiquetas textuales presentes en el modelo. El impacto de este factor sobre la comprensión semántica es significativamente superior al que genera la selección de la notación de modelado [25].
Comprensión desde la minería de proceso
Las investigaciones sobre comprensión, en el ámbito de la modelación, asumen que el modelo refleja fielmente el proceso, de tal forma que la interpretación del modelo conduce a la comprensión del proceso. Sin embargo, la experiencia en la aplicación de técnicas de minería de proceso indica, que los modelos construidos con técnicas tradicionales de modelación suelen presentar diferencias notables con la ejecución real del proceso que representan [5]. Estas diferencias son expresión de la veracidad del modelo e impactan los niveles semántico y pragmático de la comprensión del proceso.
En la minería de proceso, la relación entre un modelo de proceso y las trazas de su ejecución es considerada un indicador de la calidad del modelo. Este criterio se utiliza para evaluar la calidad de los modelos construidos a través de algoritmos de descubrimiento de procesos [26],donde el objetivo es lograr un balance entre cuatro dimensiones [2]:
Aptitud: el modelo debe permitir el comportamiento presente en el registro de eventos.
Precisión: el modelo no debe permitir comportamiento completamente sin relación con el que se puede apreciar en el registro de eventos.
Generalización: el modelo debe generalizar el comportamiento observado en el registro de eventos.
Simplicidad: el modelo debe ser tan simple como sea posible, reflejando el comportamiento del proceso.
Las dimensiones aptitud, precisión y generalización se refieren a la alineación entre el modelo y la ejecución real del proceso. Por otra parte, la simplicidad considera la carga cognitiva que implican los modelos complejos. Para cada dimensión se utilizan métricas, que son aplicables sobre modelos cuya notación sea Redes de Petri [27].
El enfoque utilizado en la minería de proceso para analizar la comprensión del proceso, complementa el de la modelación, al incluir la alineación entre el modelo y la realidad. No obstante, aun cuando considera aspectos de representación en la dimensión simplicidad, descarta otros ya mencionados de formato, estructuración y presentación del modelo, que también inciden en la comprensión del proceso.
Comprensión en la etapa de diagnóstico del proceso
Considerando los elementos mencionados, sobre los enfoques utilizados para analizar la comprensión en la modelación y la minería de proceso, se ha utilizado en esta investigación un enfoque híbrido. Esta propuesta combina los objetivos del diagnóstico y los factores que influyen en la comprensión del proceso, ya sean relativos al modelo o a su alineación con la ejecución real del proceso. Por tanto, se
considera que las herramientas de minería de proceso, para mejorar la comprensión del proceso en la fase de diagnóstico, deben poseer las características contenidas en la tabla 1.
Tabla 1 Características deseadas para la comprensión del proceso en el diagnóstico
| Características | Factores para la comprensión | |
|---|---|---|
| 1 | Identificación de patrones de control de flujo | Constructores gramaticales / Aptitud |
| 2 | Vista jerárquica del proceso | Separación en subprocesos |
| 3 | Vista global del proceso | Complejidad del modelo |
| 4 | Visualización y manejo del ruido | Complejidad del modelo / Precisión - Generalización |
| 5 | Visualización y manejo de la ausencia de información | Complejidad del modelo / Precisión - Generalización |
Se considera la identificación de los patrones de control de flujo, ya que estos constituyen elementos fundamentales dentro del proceso porque definen el orden en que las actividades son ejecutadas. También constituyen puntos de referencia para la identificación de anomalías y desviaciones, el manejo del ruido y la ausencia de información. Adicionalmente, pueden ser utilizados para la descomposición en subprocesos y la identificación de comportamientos comunes. Al ser constructores gramaticales, su identificación y diseño tienen un impacto en los niveles sintáctico y semántico de la comprensión del proceso. Su correcta identificación impacta además en la dimensión aptitud.
La obtención de una vista jerárquica del proceso permite su análisis por niveles de abstracción y la ubicación en contexto de la ejecución de las actividades y los patrones interesantes. Se logra mediante la separación en subprocesos, permitiendo realizar el análisis por partes, disminuyendo la carga cognitiva y mejorando de esta manera la comprensión.
La complejidad del modelo es otro elemento que impacta directamente en la comprensión. Obtener una vista global del proceso disminuye la complejidad del modelo porque permite la abstracción de los patrones específicos concentrándose en los comportamientos y patrones generales y de más alto nivel.
Se incluyen además la visualización y manejo del ruido y la ausencia de información, ya que definen la cantidad de relaciones entre las actividades que se muestran. Esto puede conducir a modelos con muchos nodos y alta densidad o a modelos sencillos pero que no representan adecuadamente al proceso. Por tanto, estas características inciden directamente en las dimensiones de calidad precisión y generalización.
Técnica propuesta. Minería de variantes
Para mejorar la comprensión en la etapa de diagnóstico se propone una nueva técnica, nombrada minería de variantes. Al igual que el resto de las técnicas para el diagnóstico utiliza como entrada un registro de eventos. Sin embargo, la técnica desarrollada sigue un enfoque diferente a las técnicas antes referenciadas, al proponer descomposiciones alternativas para el mismo subproceso. Esto permite controlar el impacto del ruido y la ausencia de información en la construcción de las alternativas, al descartar determinados comportamientos presentes en el registro de eventos o considerar determinados comportamientos ausentes.
Las diferentes alternativas de descomposición que pueden existir en cada subproceso conforman variantes del proceso. Las variantes de un modelo de procesos o variantes del proceso, son modelos que describen el mismo proceso de negocio, y poseen algunas diferencias estructurales. Estas diferencias pueden estar dadas por los patrones de control de flujo que se utilizan en secciones equivalentes del proceso y la presencia de determinadas actividades, tal como se puede apreciar en la figura 1.
Los elementos antes mencionados permiten que la técnica ofrezca un modelo jerárquico en forma de árbol, que representa diferentes variantes del proceso cuya ejecución está contenida en el registro de eventos. Para esto se propone un tipo de modelo de proceso denominado árbol de variantes. En este modelo por cada subproceso se obtienen tantas variantes como posibles descomposiciones se hayan identificado para el subproceso. Dentro de una variante, un nodo representa una descomposición del subproceso al que se refiere, de acuerdo con un patrón de control de flujo y posee como hijos los subprocesos que se obtienen por dicha descomposición. Las hojas están conformadas por las actividades codificadas o por subprocesos para los cuales no se obtuvo ninguna variante de descomposición.
En la figura 2 se muestran las variantes de descomposición para un mismo subproceso, que forman parte de un árbol de variantes. La primera variante corresponde al patrón de control de flujo selección no exclusiva. La segunda variante representa una descomposición por el patrón secuencia. Por último, se muestra la descomposición del subproceso utilizando el patrón lazo. Las hojas representan las actividades que conforman el proceso. Los nodos muestran el patrón de control de flujo utilizado para descomponer el subproceso en la variante correspondiente. Cada nivel en el árbol indica un nivel de abstracción.
Asociado al árbol de variantes se propone un Perfil de Diagnóstico, el cual agrupa la información de diagnóstico asociada a cada nodo del árbol. En el perfil de diagnóstico se incluyen los comportamientos descartados, ya que estos pueden ser considerados como ruido o anomalías del proceso. A su vez, los comportamientos asumidos durante la descomposición, reflejan situaciones de ausencia de información, las cuales pueden estar asociadas también a anomalías durante la ejecución del proceso. La presentación de ambos tipos de comportamiento como resultado de la técnica, responde directamente a los intereses del diagnóstico. Se pretende, de esta manera, contribuir a la comprensión del proceso en la dimensión pragmática.
A partir de los comportamientos anteriormente descritos, se realiza una estimación de la calidad del modelo propuesto, en términos de su aptitud y precisión. Dicha estimación se incorpora en el perfil de diagnóstico, con la intención de mejorar la comprensión al ofrecer información sobre la alineación que existe entre el modelo propuesto y la ejecución real del proceso.
Etapas de la técnica propuesta
1. Preprocesamiento del registro de eventos.
En esta etapa realiza la codificación de los eventos, asignando una letra a cada evento contenido en el registro de eventos. La codificación tiene como objetivo disminuir la carga cognitiva durante la comprensión sintáctica del proceso, al eliminar la información semántica de las etiquetas de los eventos. Posterior a la codificación se unifican las trazas cuyas secuencias coinciden, disminuyendo el número de trazas a procesar y agrupando los comportamientos coincidentes. Las secuencias resultantes de la agrupación son ordenadas descendentemente, por su frecuencia de aparición, para expresar su importancia relativa dentro del proceso.
2. Extracción de comportamiento.
El propósito de esta etapa es la extracción de comportamientos representativos de los patrones de control de flujo, a partir del registro de eventos preprocesado. Se considera comportamiento todas las sucesiones directas e indirectas entre actividades, así como los eventos repetidos y los que inician y terminan trazas. Por cada comportamiento extraído se obtiene la frecuencia de su aparición en las trazas codificadas. Esta frecuencia es utilizada para establecer cuán representativo es un comportamiento del proceso que lo genera.
3. Obtención de variantes.
Las variantes se obtienen a partir de la combinación de los comportamientos extraídos en la fase anterior y la asunción de ciertos comportamientos ausentes del registro de eventos. En esta fase se ejecutan dos algoritmos iterativamente, uno para la descomposición en subprocesos y otro para la identificación de patrones de control de flujo. Las posibles variantes de descomposición de un subproceso se determinan dentro de un ámbito definido en términos de umbrales para ruido y completitud o ausencia de información. A partir de un registro de eventos y un ámbito determinado se genera el árbol de variantes. La identificación de los patrones de control de flujo se realiza combinando comportamientos presentes en el registro de eventos y comportamientos asumidos bajo el umbral de ausencia de información. Para encontrar la combinación de comportamientos que puede conducir a la descomposición de cada subproceso por un determinado patrón de control de flujo se utiliza un algoritmo basado en búsqueda de costo uniforme.
4. Generación del perfil de diagnóstico.
El algoritmo implementado en esta etapa recorre el árbol de búsqueda generado y recopila los comportamientos considerados como ruido y ausencia de información durante la identificación de los patrones. A partir de estos comportamientos asumidos o descartados se establecen la estimación de aptitud y precisión. El perfil se conforma con la información de diagnóstico de cada nodo en el árbol de variantes obtenido.
III.RESULTADOS
Para la comparación integral de las técnicas de diagnóstico, a partir de su aporte a la comprensión del proceso, se analizó un proceso que pertenece a un entorno real. Para esto se seleccionó un registro de eventos correspondiente al proceso solicitar producto, perteneciente al módulo almacén del sistema XAVIAHIS. El Sistema de Información Hospitalaria XAVIAHIS permite la recolección, almacenamiento, procesamiento, recuperación y comunicación de información de atención al paciente para todas las actividades relacionadas con una institución de salud.
El registro de eventos utilizado recopila 1212 ejecuciones del proceso en un lapso de año y medio y un total de 2400 ocurrencias de las 8 actividades que conforman el proceso. El análisis del modelo de
referencia, presentado en la figura 3, permite identificar múltiples actividades de fin del proceso y lazos en diferentes puntos. Después del inicio aparece el nodo de tipodecision, tipo_solicitud, expresando una selección exclusiva entre cuatro alternativas. La tercera no produce evidencias en el registro de eventos al vincular el evento tipo_solicitud directamente con el fin del proceso. Las restantes alternativas corresponden a los subprocesos ver_detalles_sol_licitacion, ver_detalles_sol_almacen y ver_detalles_sol_bq.
Aplicación de la técnica propuesta
La aplicación de la minería de variantes, permite la obtención de dos variantes del proceso, como se muestra en la figura 4. Las variantes obtenidas corresponden a las descomposiciones mediante los patrones de control de flujo selección exclusiva y secuencia, respectivamente.
En la primera variante se identifica una selección exclusiva entre tres subprocesos, esto es coherente con el modelo de referencia de la figura 3. En el perfil de diagnóstico asociado a esta variante se obtuvo una evaluación de 0.0 para el ruido y 1.0 para la completitud, corroborando que en el registro de eventos se expresa el comportamiento del patrón de control de flujo selección exclusiva en su totalidad y no se ha descartado ningún comportamiento. Además, en el árbol de variante de la figura 4, se refleja en el grosor de la última arista del primer nivel de abstracción, que la alternativa más ejecutada del proceso es la del subproceso, conformado por las actividades ver_detalles_sol_almacen y autorizar_despacho, codificadas como h y d respectivamente.
En la primera sección del árbol de variantes mostrada en la figura 5, se identifica una secuencia entre la actividad ver_detalles_sol_almacen y un subproceso descompuesto mediante selección exclusiva. La traza que contiene únicamente a la actividad autorizar_despacho representa una situación de ausencia de información para el patrón de control de flujo secuencia. La técnica identifica esta situación e inserta una actividad invisible, lo que permite la identificación del patrón de selección exclusiva. En el grosor de las aristas del subproceso cuya descomposición se realizó mediante selección exclusiva se aprecia que la alternativa que contiene la actividad invisible es menos frecuente, lo cual es coherente con la frecuencia de las trazas en cuestión.
En la segunda sección de la figura 5 se presenta el fragmento del árbol de variantes que contiene la secuencia entre ver_detalles_sol_licitacion(codificada como f) y un subproceso compuesto por modificar_solicitud_licitacion y aceptar_niveles (codificadas como e y a respectivamente). Esta secuencia indica que ver_detalles_sol_licitacion no puede cerrar la ejecución del proceso. Por su parte, el lazo representado en esta sección expresa que toda repetición comienza y termina con el subproceso que contiene a la actividad aceptar_niveles. Por tanto, se concluye que las alternativas de terminar el proceso después de ver_detalles_sol_licitaciono de modificar_solicitud_licitacion, no han sido ejecutadas en el ámbito temporal que abarca el registro de eventos. Esto contradice lo expresado en el modelo de referencia de la figura 3, pero es coherente con las trazas del registro de eventos.
Fig. 5 Secciones del árbol de variantes para cada subproceso, con sus respectivas trazas de eventos codificados
En el modelo de referencia se muestra un lazo que involucra a despacho_sol_bq y modificar_pedido además, de una secuencia entre ver_detalles_sol_bq y un subproceso compuesto por el resto de las actividades antes mencionadas. En la tercera sección de la figura 5, se pude observar que el árbol de variantes coincide con el modelo de referencia y con el registro de eventos. La técnica propuesta identifica una situación de ausencia de información en la secuencia que se inicia con ver_detalles_sol_bq (codificada como g) y en la que se inicia con despacho_sol_bq (codificada como c). En ambos casos se inserta una actividad invisible. Se evidencia en el grosor de la arista que representa la alternativa de terminar el proceso con ver_detalles_sol_bq, que esta ejecución es muy poco frecuente, lo cual sugiere una anomalía en el proceso.
Comparación con otras técnicas de minería de proceso para el diagnóstico
En la figura 6 se muestra el resultado de la aplicación de la técnica alineación de trazas [7] al registro de eventos del sistema XAVIAHIS. En la alineación de trazas las actividades codificadas con h y e nunca coindicen en las mismas trazas con c, f y g. Esto también sucede con el grupo formado por las actividades codificadas como a, b y d respecto a los grupos antes mencionados. La situación descrita sugiere una selección exclusiva entre tres subprocesos, lo cual es coherente con el modelo de referencia. Sin embargo, la identificación en la alineación de comportamientos que sugieran determinados patrones de control de flujo, se complica al no tener una vista jerárquica del proceso.
La ejecución de la minería difusa [12] sobre el registro de eventos en cuestión genera el mapa de proceso de la figura 7, donde se aprecian tres subprocesos, lo cual está alineado con las tres alternativas de ejecución del proceso. Sin embargo, no se muestra la relación entre estos subprocesos y no se brinda información sobre la alta relevancia de la alternativa que incluye las actividades ver_detalles_sol_almacen y autorizar_despacho, ya que el 96 % de las trazas siguen este camino.
Esta técnica no considera la información ausente en el registro de eventos, ni reconoce patrones de control de flujo, por lo que no se modela la alternativa de que únicamente se ejecute ver_detalles_sol_almacen y el proceso termine sin ejecutar la actividad autorizar_despacho, lo cual sucede en 44 ejecuciones del proceso contenidas en el registro de eventos. Por otra parte, no se modela que todas las ejecuciones del subproceso ver_detalles_sol_licitacion terminan en la actividad aceptar_niveles, comportamiento presente en el registro de eventos.
En el mapa obtenido no se puede identificar que el registro de eventos posee ejecuciones del proceso que terminan frecuentemente en la actividad despacho_sol_bq. A diferencia del árbol de variantes, en el mapa obtenido tampoco se refleja la anomalía que representa la ejecución del proceso que contiene únicamente a la actividad ver_detalles_sol_bq. Además, se muestra una relación de repetición sobre la actividad despacho_sol_bq, que puede interpretarse erróneamente como un lazo que se inicia y termina con esa actividad. Sin embargo, ninguna traza contiene un comportamiento de este tipo, ni el modelo de referencia contempla esta alternativa.
En la figura 8 se muestra el resultado de la aplicación de la técnica descomposición en subprocesos al registro de eventos proveniente del sistema XAVIAHIS. En el primer nivel de descomposición se identifica una selección exclusiva. Las alternativas involucradas corresponden a los subprocesos ver_detalles_sol_bq (BB_2_2), ver_detalles_sol_licitacion (BB_2_3) y ver_detalles_sol_almacen(BB_2_4). Este resultado es coherente con el modelo de referencia del proceso. El primer subproceso presenta diferencias visuales respecto a los resultados obtenidos mediante la aplicación de la técnica propuesta, esto se debe a que para algunos patrones de control de flujo no se manejan los mismos conceptos.
En el subproceso ver_detalles_sol_licitacion existe una incongruencia en la identificación del patrón de control correspondiente al último nivel. En este caso mediante la minería de variantes se identifica un lazo y la descomposición en bloques de construcción determina una selección exclusiva. Debido a que en ambos casos el subproceso identificado en el nivel anterior se descompuso mediante el patrón de control de flujo lazo ambas variantes explican el comportamiento presente en el registro de eventos. No obstante, la descomposición propuesta por la minería de variantes tiene una mayor precisión al explicar el comportamiento presente en el modelo de referencia, sin admitir comportamiento adicional.
IV.DISCUSIÓN
La aplicación de las técnicas disponibles para el diagnóstico evidenció sus respectivas limitaciones para la comprensión del proceso. En la alineación de trazas aunque se ofrece la frecuencia de ejecución de
las trazas, esta no se jerarquiza, lo cual dificulta la identificación del comportamiento que puede ser considerado como ruido. Adicionalmente, cualquier inferencia se basa únicamente en el comportamiento contenido en el registro de eventos, ya que no se maneja la ausencia de información. Ambas situaciones limitan la comprensión en las dimensiones precisión y generalización.
Un problema similar existe con la minería difusa, ya que el modelo obtenido no representa todas las ejecuciones reales del proceso. En este caso se afecta además la comprensión en la dimensión aptitud. De forma general, al no identificar formalmente los patrones de control de flujo, el modelo obtenido puede generar interpretaciones incorrectas del proceso, afectando su comprensión sintáctica y semántica.
La aplicación de la técnica descomposición en bloques de construcción evidencia el impacto positivo que genera en la comprensión del proceso la identificación de los patrones de control de flujo y una vista jerárquica del proceso. No obstante, la existencia de ruido y la representación del patrón de control de flujo lazo conducen, en ciertos contextos, a la identificación de patrones erróneos. Esto afecta la comprensión en la dimensiónprecisión, al crear un modelo que, en ciertos elementos, se distancia de la ejecución real del proceso.
Por otra parte, la minería de variantes incide positivamente en las perspectivas de generalización y precisión de la comprensión, al manejar la ausencia de información e identificar correctamente los patrones de control de flujo. El árbol de variantes obtenido proporciona una vista jerárquica del proceso, posibilitando el análisis de cada uno de los subprocesos que componen el proceso por separado y de acuerdo con diferentes niveles de abstracción. Esta jerarquía disminuye la carga cognitiva del modelo mediante su división en secciones. Mientras que la codificación de las actividades facilita la comprensión a nivel sintáctico, mediante la abstracción de la semántica asociada a las etiquetas de las mismas. Adicionalmente, la representación de las frecuencias de ejecución de los caminos dentro del proceso, en el grosor de las aristas, brinda información sobre la aptitud del modelo, minimizando la carga cognitiva adicional.
V.CONCLUSIONES
Se analizaron las técnicas de minería de proceso que han sido empleadas en el diagnóstico, identificándose los elementos que impactan en la comprensión del proceso. Se construyó una nueva técnica para el diagnóstico, la cual fue aplicada en un entorno real con resultados satisfactorios. De esta manera se arriba a las siguientes conclusiones:
La identificación de patrones de control de flujo, manejo y visualización del ruido y la ausencia de información, así como la obtención de una vista global y jerárquica del proceso son características que impactan en la comprensión del proceso durante su diagnóstico.
El perfil de diagnóstico obtenido mejora la comprensión del proceso al ubicar en contexto el comportamiento considerado como ruido y el asumido como ausente, durante la identificación de los patrones de control de flujo.
Los resultados obtenidos al aplicar la minería de variantes y otras técnicas de diagnóstico, sobre un registro de eventos proveniente de un entorno real, permiten afirmar que la propuesta mejora la comprensión en el diagnóstico de procesos.
