امروزه به لطف وجود اینترنت و رشد گسترده سیستم های نرم افزاری، فرآیندهای مدرن بیش از هر زمان دیگری پیچیده تر، پویاتر و بهم پیوسته تر شدهاند. علاوه بر اینکه کل عملکردهای کسب و کار مجازی و غیرمتمرکز شدهاند، فرآیندها نیز بسیار نامرئیتر هستند. چنین فرآیندهایی اغلب زیر لایه هایی از پیچیدگی حاصل از رشد و تغییر سازمانی مدفون باقی میمانند. راه حلهایی مانند فرآیند کاوی، شیوهای برای از میان برداشتن این به اصطلاح رسوبات فرآیندی و گشودن درهایی به سوی تعالی فرآیند واقعی ارائه میکنند.
فرآیند کاوی چیست؟
فرآیندکاوی در معنای گسترده، مجموعه ای از تکنیک ها برای دریافت، درک و نظارت بر فرآیندهای کسب و کار است. با انتشار مانیفست فرآیند کاوی در سال ۲۰۱۱ توسط IEEE ، این مفهوم مورد توجه عموم قرار گرفت. امروزه، بسیاری از ابزارها و تکنیکهای فرآیند کاوی برای شناسایی الگوهای موجود در مراحل فرآیند، شناسایی روند عملکرد و جزئیات انحرافات موجود در اجرای فرآیند مورد استفاده قرار میگیرند.
فرآیند کاوی چگونه کمک میکند؟
فرآیند کاوی از داده های سیستمی برای تولید و تجسم یک مدل فرآیند استفاده میکند که شامل نقشه فرآیند، تعاملات میان کاربران، مسیرهای مختلفی که برای انجام هر فرآیند طی شده و معیارهای مربوطه میباشد. تجزیه و تحلیل مدل های فرآیند شفافیت کامل را در مورد کاری که انجام شده است فراهم میکند و میتواند به تقویت درک کاربران کسب و کار از یک فرآیند با استفاده از شناسایی ناکارآمدیها و کشف مسیرهای قبلی و ناشناخته فرآیند، کمک نماید.
فرآیند کاوی از شناسایی همه تغییرات و انحرافات در یک فرآیند گرفته تا کشف تنگناها، تاخیرها، محرکهای هزینه و سایر ناکارآمدی ها، به سازمانها در کشف پیچیدگی فرآیندها کمک میکند. وقتی نوبت به بهینه سازی، طراحی مجدد یا خودکار سازی یک فرآیند میرسد، درک و شناخت مناسب از فرآیند میتواند به هدف گیری دقیق KPI و تجزیه و تحلیل دلایل اصلی ناکارآمدی فرآیند کمک کند.
تعاریف و اصطلاحات
در رشته فرآیند کاوی، دو شاخه اصلی از ابزار برای استخراج، جمع آوری و تجزیه و تحلیل داده ها وجود دارد:
۱-ابزار استخراج فرایند
۲-ابزار کشف.
ابزارهای استخراج، که به عنوان ابزار فرآیند کاوی نیز شناخته میشوند، داده های فرآیند را از لاگهای مربوط به رویدادها دریافت و در یک سیستم IT ضبط میکنند.
به همین ترتیب، ابزار کشف که ابزار کشف فرآیند نیز نامیده میشوند به جای دسترسی به لاگهای رویداد در سیستم، از قدرت دید کامپیوتر برای اسکن صفحه استفاده نموده و داده های مربوط به رویدادها را ضبط مینمایند.
هنگامیکه به صنعت رجوع میکنیم، در اکثر مناطق به جای گزینه هایی مانند “کشف فرآیند کسب و کار “، ” تعالی فرآیند “، “درک فرآیند “، یا ” هوش فرآیند ” از اصطلاح “فرآیند کاوی” استفاده شده است.
این قضیه میتواند گیج کننده باشد؛ زیرا “فرآیند کاوی” نیز نامی است که اخیراً برای مجموعهای از ابزارها در صنعت توصیف شده است. آگاهی از این تمایز مهم است و آن را با پیشوند “ابزار” در هر زیر مجموعه فنی علامت گذاری خواهیم کرد. در عین حال که رویکردها و تکنیک های کلیدی را در طول روند فرآیند کاوی توصیف میکنیم، به روشنی مشخص خواهیم کرد که در کجا در حال توصیف ابزار کشف فرآیند و در کجا در حال شرح ابزار فرآیند کاوی هستیم.
بدیهی است که هر دوی آنها در عمل، نقاط قوت و ضعف خود را خواهند داشت.
صنعت فرآیند کاوی
صنعت فرآیند کاوی بسیار گسترده بوده و به سرعت در حال رشد است. در شکل زیر مجموعهای از فروشندگان ابزارهای فرآیند کاوی نشان داده شده است که ممکن است با برخی از آنها روبرو شده باشید. محصولات آنها هم شامل ابزارهای فرآیند کاوی و هم کشف فرآیند است و انتخاب یکی از این فروشندگان بستگی به مورد استفاده خاص و ویژگی های مورد نظر دارد.
چرخه فرآیند کاوی
چرخه فرآیند کاوی، موارد مختلفی را که برای رسیدن به بلوغ فرآیند لازم است به طور خلاصه بیان میکند و سطحی از درک و فهم سازمانی را به ارمغان میآورد که شفافیت و بینش لازم را به سازمان داده و آن را مهیای مقیاس بندی خواهد نمود. پنج مرحله اصلی برای این چرخه وجود دارد که در فصل های آینده با جزئیات بیشتر شرح خواهیم داد. این مراحل عبارتند از:
- ضبط فرآیند
- کاوش فرآیند
- تجزیه و تحلیل فرآیند
- ارتقاء فرآیند
- نظارت بر فرآیند
۱٫ ضبط فرآیند
تعریف ضبط فرآیند
یکی از نقاط قوت اصلی فرآیند کاوی این است که کاربران را از ذهنیت و حدس و گمان در مورد نحوه عملکرد فرآیند دور میکند. به جای حدس و گمان، داده های عینی و واقعی از داخل خود فرآیند جمع آوری میشوند. به همین دلیل است که تمام ابزارهای موجود در فضای فرآیند کاوی باید در زمینه ویژگی ضبط فرآیند قدرتمند باشند.
ضبط فرآیند، مجموعهای از داده های فرآیند است که به کمک آن کاری که در شرکت در حال انجام است درک میشود. این مجموعه شامل اقدامات کاربران دیجیتالی یا غیر دیجیتالی (که خود شامل کلیک کردن است)، تعاملات سیستم ها و انتقال دادهها است. یک فرآیند دیجیتالی میتواند توسط یک رکورد الکترونیکی به روز شود، که شامل نوعی ردیابی دیجیتالی مانند نام رکورد، ویرایش و زمان است. هر فرآیند غیر دیجیتالی شامل اقداماتی است که در سیستم IT ذخیره نشده یا ثبت نشده اند، مانند بازیابی سند کاغذی توسط یک همکار. فرآیند کاوی صرفا با اقداماتی سر و کار دارد که به نوعی دیجیتالی میشوند. بنابراین اگر هیچ ردیابی دیجیتالی وجود نداشته باشد، فرآیند یا نیاز دارد دیجیتالی شود و یا اینکه باید به صورت دستی ضبط شود.
دو زیر مجموعهی ابزار صنعتی، یعنی ابزارهای فرآیند کاوی و ابزارهای کشف فرآیند، در نحوه ثبت و ضبط داده ها با هم تفاوت دارند. ابزار فرآیند کاوی بر اساس استخراج لاگهای مربوط به رویدادها و ابزار کشف فرآیند بر مبنای دید کامپیوتری استوار هستند.
ضبط فرآیند به کمک لاگهای رویدادها
لاگهای رویدادها، لیستی از جزئیات هستند که به صورت خودکار تولید می شوند (مهر زمان ، ورودی / خروجی ، شناسه کاربری ، شناسه پرونده و غیره). تقریباً هر برنامه نرم افزاری یا سیستمی دارای ثبت وقایع داخلی است که به عنوان یک ردپای دیجیتال برای هرگونه تعاملات موجود در سیستم عمل میکند.
ابزار فرآیند کاوی، لاگهای رویدادها را پردازش کرده و الگوهایی برای ترسیم دقیق فرآیند ” as-is ” پیدا میکنند که شامل گامهای برداشته شده در سیستم IT ، مسیر خوب آن و انحرافات آن است (مسیر خوب، مسیر پیشفرض یا ایدهآلی است که بارها توسط کاربران طی شده) . به همین دلیل برخی افراد، خروجی حاصل از ضبط لاگهای رویدادها را داستان سیستم مینامند (داستان سیستم اقداماتی هستند که کاربر در یک یا مجموعهای از اپلیکیشنهای IT به انجام میرساند که برای ساختن جریانی از مسیر طی شده، با توجه به شناسه های کاربری پیگیری میشود).
برای ساخت آسانتر یک داستان سیستم توسط اپلیکیشنها، بسیاری از ابزارهای فرآیند کاوی، کانکتورهای API از پیش ساخته شده برای استخراج خودکار و ساختاردهی داده ها ارائه میدهند. این کانکتورها معمولاً با رایجترین برنامه های IT کار میکنند؛ مانند Salesforce،SAP و Oracle ، به اضافه ابزارهای اتوماسیون فرآیند رباتیک مانند UiPath، Blue Prism و Automation Anywhere .
ایجاد یک داستان با استفاده از لاگهای رویدادها
ضبط فرآیند با کمک لاگها به شناسایی کیس متکی است. یک کیس هر شی دیجیتالی است که در یک فرآیند قابل ردیابی باشد. به عنوان مثال، کیس میتواند یک سفارش خرید باشد که توسط کاربر ارسال، بررسی و تأیید میشود.
شناسه کیس در اینجا معرف شناسه منحصر به فرد برای یک سفارش مانند “سفارش ۱۸۲۳” است. تا زمانیکه “شناسه کیس” ها متمایز باشند، الگوریتم های تشخیص الگو میتوانند بین آن سفارش، سفارشات دیگر و اقدامات انجام شده در هر یک از سفارشات تفاوت قائل شوند. هنگامی که داده های زمان دار داشته باشیم، میتوان شروع به ایجاد یک تقویم مربوط به اقدامات مربوطه برای هر کیس منحصر به فرد نمود (به عنوان مثال، “سفارش ۱۸۲۳” در ۱۲ اوت “ایجاد” شد، در ۱۴ اوت “ارسال” شد و در ۲۱ آگوست “تأیید ” گردید) و نقشه فرآیند” as-is ” را ایجاد کرد.
مزایا و وابستگی های مربوط به لاگ های رویدادها
ابزارهای فرآیند کاوی، کاربران را ترغیب میکند تا داده های معاملاتی نامرتب را برای ایجاد انسجام و ارتباط در آنها ساختار دهند. اگر این کار به درستی و با داده های با کیفیت و حجم بالا انجام شود، این شکل از استخراج، شفافیت و دقت کامل فرآیند را در اختیار کاربران قرار میدهد.
در طرف مقابل، کیفیت یک خروجی به شدت به داده ها بستگی دارد. داده های استخراج شده باید نسبتاً حجیم، ساختار یافته، دارای برچسب و کامل باشد؛ در غیر این صورت کارهای دستی بسیار بیشتری برای مرتب سازی و پاکسازی داده ها مورد نیاز خواهد بود. علاوه بر این، ثبت لاگها ذاتاً به محیط های نرم افزاری خاص محدود میشود. بنابراین، میتوان یک فرآیند معاملاتی SAP را با جزئیات ضبط کرد اما بینشی در مورد آنچه قبل یا بعد از تعامل کارمند با SAP اتفاق میافتد، وجود نخواهد داشت. ادغام لاگهای تعاملاتی در سیستمها (به عنوان مثال، بین SAP و Salesforce ) امکان پذیر است، اما به تنظیمات بیشتری نیاز دارد، به خصوص اگر داده های مربوط به هر لاگ متفاوت باشند.
ضبط فرآیند به کمک دید کامپیوتری
دید کامپیوتری مورد استفاده توسط ابزارهای کشف فرآیند، شامل نظارت بر محیط دسکتاپ از طریق اسکن صفحه و تشخیص کلیکها در هر اپلیکیشن است. این کار به کمک ترکیبی از تشخیص نوری کارکترها (OCR) و سایر متدولوژیهای هوش مصنوعی که عناصر روی صفحه را تشخیص میدهند، انجام میشود.
به عبارت دیگر، این نرم افزار در پس زمینه اجرا میشود و از هر اقدام کاربر در صفحه عکس میگیرد، ضمن اینکه تعاملات کاربر مانند کلیک و فشردن کلید را نیز ضبط میکند. سپس از این داده های تصویری، برای درک اینکه با کدام سیستم های IT ارتباط برقرار میشود و چه اتفاقی در آنها میافتد، استفاده میگردد. پس از اینکه مراحل ضبط شده توسط اپلیکیشن طبقه بندی میشوند، تبدیل به نقشه های فرآیند میشوند که انواع فرآیند و انحرافات کلیدی را نیز در خود ذخیره میکنند.
با این شکل از ضبط، تمام اقدامات انجام شده توسط کاربر بر روی صفحه نمایش، فراتر از تعاملاتی که در لاگهای مربوط به رویدادها در اپلیکیشنهای منفرد وجود دارد، جمع آوری میشود. به همین دلیل است که به این خروجیها، داستان کاربر گفته میشود (ضبط تمام عملکردهای صفحه) به جای داستان سیستم (ثبت گزارش رویدادهای یک سیستم IT ). این مورد همچنین میتواند شامل اقداماتی شود که خارج از جریان فرآیند اتفاق میافتند، مانند کارمندی که فیس بوک یا اخبار را بررسی میکند یا کلیک کردن روی کلیدهای اشتباه. وقتی فرآیند به مدت طولانی بارها مورد مشاهده قرار میگیرد، واگرایی از اصل فرآیند شناسایی خواهد شد و میتواند به عنوان فیلتری برای انحرافات فرآیند عمل نماید.
مزایا و وابستگیهای دید کامپیوتری
مهمترین مزیت دید کامپیوتری، این است که با ضبط کلیکها حتی میداند کاربر در حال نوشتن چه چیزی در Notepad است، یا کدام سلولها در اکسل در حال ویرایش هستند، و به این ترتیب جزئیات بیشتری را ارائه میدهد. اسکرین شاتها نیز برای هر عملیات، ضبط و نگهداری میشوند. این داده های فرآیندی به طور مستقیم به اسناد تعریف فرآیند (PDD) و نقشه های فرآیند صادر میشوند، و با استفاده از ابزارهایی مانند RPA برای پروژه های اتوماسیون میتوانند باعث صرفه جویی در وقت گردند. با استفاده از ابزارهای خاص RPA، داده های مشابه میتوانند برای تولید چارچوب های اساسی یک راه حل اتوماسیون، مورد استفاده قرار گیرند. با این حال، ابزارهای کشف فرآیند آنچه اتفاق میافتد را ضبط میکنند، در حالی که یک ابزار فرآیند کاوی کارهایی که کاربر در سیستم ها انجام میدهد را ردیابی نموده و با استفاده از شناسه کیسهای مشابه، بین ساختارهای دادهای ارتباط ایجاد مینماید. این به آن معنی است که کاربران میتوانند ویژگی های بیشتری را به کیسی که شناسه آن را ردیابی میکنند، اضافه نموده و شفافیت بیشتری برای معیارهای فرآیند مانند هزینه و زمان مهیا نمایند. از طرف دیگر، کشف فرآیند میتواند در جایی که هیچ گونه گزارشی در مورد وقایع وجود ندارد، قفل درک و شناخت را بگشاید.
چرا هر دو نه؟
هر دو رویکرد داده هایی را که یکسان هستند و یا همپوشانی زیادی دارند، به تصویر میکشند. بنابراین بخشهای زاید زیادی در صورت استفاده از هر دو وجود خواهد داشت. به همین دلیل امروزه برخی از ابزارهای پیشرو در حال ادغام هر دو قابلیت هستند، مانند اضافه کردن داده های اسکرین شات(در فرمت خیلی ساده) و مربوط کردن آن به دادههای لاگها.
1. کاوش فرآیند
هر پروژه فرآیند کاوی باید برای موفقیت، با یک فرضیه یا هدف شروع شود که توسط یک اقدام دنبال میگردد. وجود عملکردهای مناسب برای اهدافی که کاربر به دنبال دستیابی به آنها است، همان نقطهای است کاوش فرآیند آغاز میشود. چند روش در کاوش فرآیند برای درک هزینه فرآیند، گلوگاه ها، انحرافات و سایر معیارهای مرتبط وجود دارد. این امر کمک میکند تا یک مورد تجاری موثر و دقیق ایجاد شود که برای بهبود مستمر و دستیابی به اهداف بلوغ فرآیند لازم است.
شناسایی علل ریشه ای
مدل های فرآیند کاوی، با نمایش گره ها (مراحل فرآیند) و روابط آنها با یکدیگر تصویری از گردش کار را در قالب نقشه فرآیند as-is ارائه میدهند. این امر میتواند به پردازش تحلیلگران و درک روابط علی و معلولی موجود در گردش کار کمک نماید، مانند اینکه چگونه هر مرحله، سایر مراحل بعدی را تحت تأثیر قرار میدهد.
علاوه بر این، با توجه به وجود قابلیتهایی همچون “کوچک کردن” و تقویم زمانی تعاملی و انحرافات فرآیند، میتوان در مقایسه با نقشه های استاتیک فرآیند به دیدگاه پویاتری رسید. این امر مانند این است که به جای نقشه کاغذی از گوگل مپ استفاده کنید، و اطلاعات بیشتری در مورد یک مکان، مانند وضعیت ترافیک در هر لحظه، رستوران های مجاور، قیمت بنزین و غیره به دست آورید.
ساخت یک کیس کسب و کار با پشتوانه داده ها
فرآیند کاوی با تهیه دادههایی همچون محاسبه کارایی، هزینه و صرفه جویی در وقت برای سازمان ها با دقت بیشتری نسبت به قبل، میتواند تولید یک کیس کسب و کار با پشتیبانی داده را تقویت میکند. میتوان از داده های فرآیند برای به دست آوردن بلوغ فرآیند و دستیابی به معیارهای مهم تجاری، استفاده نموده و در مورد گام بعدی بهبود تصمیم گیری کرد. این به این معنی است که یک کیس کسب و کار میتواند برای تأیید این امر که اتوماسیون، مهندسی مجدد فرآیند یا بهینه سازی منطقی ترین گزینه هستند، ایجاد شود. سپس آن کیس کسب و کار میتواند در فرآیند تصمیم گیری در مورد بررسی بالاترین نرخ بازده سرمایه (ROI) توسط رهبری مورد استفاده قرار گیرد.
2. تجزیه و تحلیل فرآیند
ابزارهای فرآیند کاوی و ابزارهای کشف فرآیندها روشهای زیادی برای تجزیه و تحلیل فرآیندها بطور دقیق و با شرح جزئیات در اختیار شما قرار میدهند. برخی از ابزارها، انیمیشن هایی را نیز برای افزایش تجربه کاربر ارائه میدهند. هم کاربران فنی و هم کاربران کسب و کار میتوانند از این ویژگی ها برای رصد و شناسایی هر یک از عملیات موجود در فرآیند استفاده کنند. اشکال پیشرفتهتر میتواند شامل مواردی از جمله تجزیه و تحلیل علل ریشهای، بررسی انطباقها و بهینه سازی مدل برای ایجاد مدلهای یادگیری ماشین باشد.
یک راه آسان برای فکر کردن در مورد ویژگی های بالقوه ای که کاربران ممکن است به آن نیاز داشته باشند قرار دادن آنها در دسته بندی شش گانه زیر است:
- تجسم و داشبورد
- شناسایی انحرافات
- بررسی انطباقات
- نحوه فیلتر کردن
- یادگیری ماشین
- تجزیه و تحلیل وظیفه
رویکرد 1: تصویرسازی و داشبورد
مدل های فرآیند کاوی از طریق ویژگی های داشبورد امکان نمایش تعاملی یک فرآیند و تجزیه و تحلیل همراه آن را فراهم میکنند. این مدلها نقشه های فرآیند as-is را با نمودارهای پای تعاملی، هیستوگرام ها، نمودارهای میله ای، پیش بینی ها و جداول نمایش میدهند. همچنین کاربران میتوانند با استفاده از فیلترهای مختلف، نوعی ادغام یکپارچه بین نقشه فرآیند و KPI هایی که تحت نظارت هستند ایجاد نمایند.
علاوه بر این، در مدل فرآیند تعاملی، برخی از ابزارهای فرآیند کاوی، تغییراتی را در اندازه یا رنگ گره ها و پیوندهای بین گره ها ایجاد میکنند تا KPI های متناسب را نشان دهند ( به عنوان مثال گره بزرگ که زمان تحول آهسته را نشان میدهد) یا آنها را بر اساس معناشناسی برچسب گذاری میکنند (به عنوان مثال، قرمز برای “رد شده” یا سبز برای “تأیید شده”). بسیاری از فروشندگان دارای ویژگی انیمیشن دستی نیز هستند که نشان دهنده شبیه سازی اجرای یک فرآیند با استفاده از کیس های گذشته است. این یک روش اساسی برای شناسایی مکان هایی است که کیس ها درگیر میشوند و میتوانند به عنوان یک هدف بصری کلی ارزشمند باشند.
رویکرد 2: شناسایی انحرافات
کاوشگرهای مختلف(یکی از ویژگیهای نرم افزارهای فرآیند کاوی که به کشف انحرافات فرآیند کمک میکند) توانایی پیدا کردن داستان های مختلف کاربر و سیستم را در فرآیند به وجود میآورند که شاید پیش از این شناخته نشده بودند. برخی از این انحرافات در واقع میتوانند کارآمدترین روش برای اجرای یک فرآیند باشند. و برخی ممکن است مراحلی از فرآیند را که باعث ایجاد مشکلات مربوط به عدم انطباقها یا ناکارآمدی میشوند، کشف نمایند.
در تنظیمات مربوط به تجارت الکترونیکی، تجزیه و تحلیل انحرافات میتواند نشان دهد که چگونه ارسال سفارش قبل از تأیید پرداخت، باعث تأخیر پرداخت ها و هزینه های بالاتر حمل و نقل میشود. در نتیجه، این ویژگی یک ابزار مفید برای تحلیلگران فرآیند است تا بتوانند انحرافات را برای تحقیقات بیشتر اولویت بندی کنند. در موردی که هدف، کاهش پرداخت های دیرهنگام ارسال شده توسط مشتریان باشد، این انحرافات میتوانند اهداف اصلی برای شناسایی گلوگاه های بهبود فرآیند باشند.
رویکرد 3: بررسی انطباق
ویژگی های بررسی انطباق، میتواند تناقض های موجود بین یک مدل فرآیند در نظر گرفته شده و رفتار ثبت شده “واقعی” آن را تشخیص دهد. این امر اجازه میدهد تا سازمان کشف کند که در کجا و چگونه کاربران فرآیند از مسیر اصلی فرآیند که دارای بیشترین فراوانی وقوع است، منحرف میشوند.
فرآیند مورد نظر (مدل مرجع) میتواند با بسیاری از ابزارهای کاوش و کشف فرآیند، از هر مدل فرآیند کسب و کار به صورت فایل BPMN، وارد شود. با این حال، برخی از ابزارها به کاربران این امکان را نیز میدهند تا ابزارهای خاص خود را از ابتدا ایجاد نمایند.
بسیاری از ابزارها با وارد نمودن و مقایسه یک مدل مرجع، تجزیه و تحلیل خودکار را ارائه میدهند. آنها میتوانند KPI های مهم را که از مدل مرجع منحرف میشوند، مانند درصد موارد مطابقت، تخلف یا زمان تولید برجسته کنند. کاربران همچنین ممکن است دارای ویژگی بررسی پیشرفته انطباقها مانند ویژگی الگوریتم های علت ریشهای باشند، که به طور خودکار موارد تخلف از انطباق را به همراه فراوانی و تأثیری که بر مراحل دیگر دارند لیست و رتبه بندی میکنند.
رویکرد 4: فیلتر کردن و حرکت از کل به جزء
این رویکرد شامل استفاده از فیلتر نمودن داده ها برای محدود کردن مناطق تحقیق است، که از یک نمای کلی از فرآیند آغاز شده و برای دستیابی به مجموعه های دقیقتری از داده ها به لایه های زیرین میرود. کاربران میتوانند بر اساس ویژگی های یک کیس (به عنوان مثال، “فقط مواردی را نشان میدهد که در آمریکای شمالی رخ داده است “) یا ویژگی های فرآیند (به عنوان مثال، “فقط تکمیل فرآیند حاوی مرحله اصلاح فاکتور را نشان میدهد”) فیلتر انجام دهند.
برای خوانندگانی که تجربه استفاده از ابزارهای تجسم داده مانند Power BI یا Tableau را دارند رفتن از کل به جزء فرآیند کاوی کاملاً مشابه ویژگی های حفاری در این ابزارها است. کاربران میتوانند برای آزمایش یک فرضیه، متغیرهای خاص را در کل فرآیند جدا کنند. بیشتر ابزارهای فرآیند کاوی دارای فیلتر لایه ای هستند و می توان از چند فیلتر همزمان، برای آنالیز به سطح بعدی استفاده کرد.
رویکرد 5: یادگیری ماشین
یادگیری ماشین ویژگی پیشرفته ای است که در چند ابزار پیشرو فرآیند کاوی ارائه میشود. یادگیری ماشین میتواند برای تنظیم الگوریتم های پیشفرض تشخیص الگو و براساس موارد استفاده و صنایع مشتری جهت تجزیه و تحلیل دقیقتر و هدفمندتر مورد استفاده قرار گیرد. مدل های یادگیری ماشین همچنین میتوانند برای شناسایی الگوهای منحصر به فرد در داده های موردی، رتبه بندی ویژگیها بر اساس تأثیر نسبی و پیش بینی عملکرد آینده بر اساس داده های پیشین استفاده گردند. دانش و تجربه مربوط به علم دادهها که در یادگیری ماشین و کتابخانه های پایتون موجود است برای ایجاد و شخصی سازی مدل ها و تشخیص بهتر الگوها و پیش بینیهای دقیقتر مورد نیاز است.
رویکرد 6: تجزیه و تحلیل وظیفه
تجزیه و تحلیل وظیفه یا تجزیه و تحلیل رابط سیستم، شامل مطالعه داستان کاربر است. این پروسه عبارت است از مشاهده دادههای صفحه (به کمک دید کامپیوتری) برای درک نحوه تعامل کاربران با اپلیکیشنها. بدین ترتیب، یک فرآیند را میتوان با دید گرانولی و جزئی نگری، از پایین به بالا درک کرد؛ و نه با چشم انداز از بالا به پایین (مانند آنچه که توسط اکثر ابزارهای فرآیند کاوی و به کمک لاگهای رویدادها ارائه میشود). مثلا، علت بالا بودن غیرعادی زمان پردازش یک فرآیند ممکن است به دلیل وجود یک گلوگاه باشد که در آن کاربر برای تکمیل فرم چند دقیقه وقت خود را صرف انتخاب بین منوهای کشویی طولانی میکند. تنها زمانی قادر خواهید بود ببینید که چگونه یک کاربر یک فرم را تکمیل میکند که داستان کاربر مورد تجزیه و تحلیل قرار گیرد – یعنی داده های صفحه، تعاملات سیستم و فشار کلیدهای هر کاربر.
این مطلب ادامه دارد ….