As técnicas de mineração de processos vêm sendo aplicadas com sucesso
como abordagens baseadas em dados e especÃficas do domÃnio para
melhorar o desempenho do processo de negócios em várias organizações.
Dentre suas aplicações, a Mineração de Desvios (Deviance Mining) visa
descobrir as razões pelas quais um subconjunto das execuções de um
processo de negócio desvia-se em relação aos seus resultados esperados
ou desejáveis, produzindo assim insights para melhorar a operação do
processo, tais descobertas podem ser feitas utilizando técnicas de
aprendizado de tratamentos (Treatment Learning), que identificam os
conjuntos de atributos mais influentes nos resultados. No entanto, apesar
de os processos da vida real serem tipicamente compostos por eventos de
duração não instantânea (eventos não atômicos), as abordagens existentes
para mineração de processos, e para mineração de desvios em particular,
endereçam exclusivamente eventos atômicos em seus experimentos. Este
trabalho propõe um método orientado ao domÃnio para detectar
automaticamente desvios em processos compostos por eventos não
atômicos. O método utiliza a dimensão temporal dos eventos não
atômicos para aplicar a mineração de desvios, gerando insights sobre
como a duração e a ocorrência simultânea de eventos geram desvios e
como esses desvios impactam os resultados dos processos. O método foi
aplicado com sucesso no domÃnio da COVID-19, para descobrir quais
sequências de intervenções não farmacêuticas mais contribuÃram para
diminuir a taxa de casos de COVID-19 em paÃses ao redor do mundo.
|