KaydedilenlerDerginizi ekleyin

Dergiler / AJIT-e: Bilişim Teknolojileri Online Dergisi / 2018 / Cilt: 9 - Sayı: 34

Süreç Madenciliği Araçları Karşılaştırması

Process Mining Tools Comparison

Ufuk ÇELİK
Eyüp AKÇETİN
Sayfa
97–104
Yayın Tarihi
2018-09-01
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Elde edilen sonuçlar sayesinde bir sürecin analizinde kullanılan yazılımların etkin kullanım, performans ve raporlama özellikleri ortaya konmuştur.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Süreç madenciliği veri madenciliği biliminde yeni bir alan olup iş zekasının bir alt koludur.
📊
Temel Bulgular & Veri:Süreç madenciliği analizi her bir sürecin kim tarafından ve hangi zaman aralığında yapıldığını diğer süreçlerle kıyaslayarak genel sürecin işleyişi hakkında fikir edinmeye çalışır.
💡
Sonuç & Katkı:Elde edilen sonuçlar sayesinde bir sürecin analizinde kullanılan yazılımların etkin kullanım, performans ve raporlama özellikleri ortaya konmuştur.
🔬Tür:Araştırma Makalesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Data Mining · Business Intelligence · Process Mining

Özet

Süreç madenciliği veri madenciliği biliminde yeni bir alan olup iş zekasının bir alt koludur. Süreç madenciliği analizi her bir sürecin kim tarafından ve hangi zaman aralığında yapıldığını diğer süreçlerle kıyaslayarak genel sürecin işleyişi hakkında fikir edinmeye çalışır. Bu sebeple olay günlüklerine bakılır. Olay günlükleri ise büyük verilerden oluşur. Çünkü olay günlükleri kısa zaman aralıklarında meydana gelen tüm kayıtları saklar. Bu tür verilerin incelenmesi için özel programlara ihtiyaç vardır. Bu programlar olay kimliği, aktivite, zaman ve sorumlu kişiler gibi bilgileri kullanarak bir süreç haritası ortaya çıkartırlar. Bu analiz sayesinde süreçler keşfedilir, izlenir ve geliştirilir. Bu çalışmada süreç madenciliğinde kullanılan ProM, Disco, Celonis ve My-Invenio isimli araçlar incelenmiş ve kullanım özelliklerine göre performansları kıyaslanmıştır. Elde edilen sonuçlar sayesinde bir sürecin analizinde kullanılan yazılımların etkin kullanım, performans ve raporlama özellikleri ortaya konmuştur.

Abstract

Process mining is a new era in the science of data mining and is a subset of business intelligence. Process mining analysis provides an idea about a general process by comparing each process with others in the terms of time and responsible people who deal with the process. For this reason, event logs are checked. Event logs consist of large data. Because the event logs keep all the records that occur during short time intervals. Special programs are needed to examine such data. These programs generate a process map using information such as event ID, activity, time and responsible person. Through the analysis, processes are discovered, monitored and improved. In this study, the tools named ProM, Disco, Celonis and My-Invenio used in process mining were examined and their performance according to usage features compared. According to the obtained results, the usefulness, performance and reporting features of the software used in a process analysis are revealed.

🔖

Bu Makaleye Atıf Yap

ÇELİK, U., AKÇETİN, E. (2018). Süreç Madenciliği Araçları Karşılaştırması. AJIT-e: Bilişim Teknolojileri Online Dergisi, Cilt: 9 - Sayı: 34, 97–104. https://ajindex.com/articles/137086

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (11)

  1. Bernardi, M. L., Cimitile, M., Di Francescomarino, C., & Maggi, F. M. (2014). Using Discriminative Rule Mining to Discover Declarative Process Models with Non-atomic Activities BT - Rules on the Web. From Theory to Applications. In A. Bikakis, P. Fodor, & D. Roman (Eds.) (pp. 281–295). Cham: Springer International Publishing. Celonis. (2017). Celonis Process Mining. Retrieved October 1, 2017, from http://www.celonis.com/en/
  2. Der, Van Aalst, W. M. P., de Leoni, M., & ter Hofstede, A. H. M. (2011). Process mining and visual analytics: Breathing life into business process models. BPM Center Report BPM-11-15, BPMcenter. Org, 17, 699–730.
  3. Devi, A. T. (2006). An informative and comparative study of process mining tools. Int. J. Sci. Eng. Res, 8(5), 8–10.
  4. Fluxicon. (2017). Disco. Retrieved October 1, 2017, from https://fluxicon.com/disco/
  5. Günther, C. W. (2009). Process Mining in Flexible Environments. Technische Universiteit Eindhoven. Technische Universiteit Eindhoven, Eindhoven University of Technology Library. Helm, E., & Paster, F. (2015). First Steps Towards Process Mining in Distributed Health Information Systems. International Journal of Electronics and Telecommunications. https://doi.org/10.1515/eletel-2015-0017
  6. Kebede, M. (2015). Comparative Evaluation of Process Mining Tools. University of Tartu. Kumaraguru, P. V, & Rajagopalan, D. S. P. (2013). Machine learning approach for model discovery and process enhancement using process mining techniques. Department of Computer Science. Dr. M.G.R. Educational and Research Institute, India. My-Invenio. (2017). Retrieved October 1, 2017, from https://www.my-invenio.com
  7. Petri, C. A. (1962). Kommunikation mit Automaten. Hamburg. Petri, C. A., & Reisig, W. (2008). Petri net. Scholarpedia, 3, 6477. Process Mining. (2017). Retrieved October 1, 2017, from http://www.processmining.org ProM 6. (2017). Retrieved October 1, 2017, from http://www.promtools.org/
  8. Rinke, A. (2017). Why Manufacturers Need Process Mining — A New Type Of Big Data Analytics. Rozinat, A., & Günther, C. W. (2012). Disco. Retrieved from https://fluxicon.com/disco/
  9. Rozinat, A., & Van Der Aalst, W. (2008). Conformance checking of processes based on monitoring real behavior. Information Systems, 33(1), 64–95. https://doi.org/10.1016/j.is.2007.07.001
  10. Rozinat, A., & van der Aalst, W. M. P. (2006). Decision Mining in ProM BT - Business Process Management. In S. Dustdar, J. L. Fiadeiro, & A. P. Sheth (Eds.) (pp. 420–425).
  11. Berlin, Heidelberg: Springer Berlin H