A novel method to consider multiple paths in decision points analysis

The analysis of a business process can provide valuable insights which can be exploited in order to achieve a better understanding of the process itself. Process Mining techniques allow to automatically extract a visual model of the process starting from recorded sequences of activities, called Event Logs. The extracted model can then be enhanced with logical conditions constraining the executions of process instances: this is the goal of Decision Mining. More precisely, its Decision Points Analysis subfield aims at augmenting places in a Petri Net model with guards steering the execution of transitions. These guards are usually discovered through machine learning approaches, such as Decision Trees, whose training sets are properly created by retrieving the path followed in the model by each trace. Due to the presence of invisible transitions inside the Petri Net, a trace may correspond to different consistent paths in the model. State-of-the-art approaches only consider a single path, hence possibly losing information. In this thesis, we propose a method which considers multiple paths that a process instance can follow inside the Petri Net model, exploiting more knowledge from the Event Log and consequently obtaining more precise guards. We tested the method both on a synthetic and on a real-life process, showing the improvements with respect to current techniques.

L'analisi di un processo aziendale è in grado di offrire preziose informazioni che possono essere sfruttate per ottenere una migliore comprensione del processo stesso. Le tecniche di Process Mining permettono di estrarre automaticamente un modello visivo del processo partendo da sequenze di attività registrate, ovvero i log degli eventi. Successivamente, il modello ottenuto può essere valorizzato con delle condizioni logiche che vincolano le esecuzioni delle istanze di processo: questo è l'obiettivo del Decision Mining. Più precisamente, il sottocampo della Decision Points Analysis mira ad estendere i posti in una rete di Petri con delle guardie che guidano l'esecuzione delle transizioni. Queste guardie sono solitamente ottenute attraverso metodi di machine learning, come i Decision Tree, i cui training set vengono adeguatamente creati risalendo al percorso che ogni traccia segue nel modello. A causa della presenza di transizioni invisibili all'interno della rete di Petri, una traccia potrebbe corrispondere a diversi percorsi nel modello coerenti tra loro. Gli approcci allo stato dell'arte considerano solamente un percorso, perdendo dunque informazioni. In questa tesi proponiamo un metodo in grado di considerare molteplici percorsi che un'istanza di processo può seguire all'interno del modello di rete di Petri, sfruttando maggiormente la conoscenza nel log degli eventi e ottenendo pertanto guardie più accurate. Abbiamo sperimentato il metodo sia su un processo sintetico che su uno reale, mostrando i miglioramenti rispetto alle tecniche attuali.