Publication
Mineração Preditiva de Processos - Otimização de processos de negócio através de técnicas preditivas
| datacite.subject.fos | Engenharia e Tecnologia | pt_PT |
| dc.contributor.advisor | Marreiros, Maria Goreti Carvalho | |
| dc.contributor.author | Silva, Eduardo Coelho da | |
| dc.date.accessioned | 2023-11-28T11:47:18Z | |
| dc.date.embargo | 2026-10-26 | |
| dc.date.issued | 2023-10-26 | |
| dc.description.abstract | The complexity of business processes has reached an all-time high and the environments in which organisations operate have never been so competitive and dynamic. This created the need for business processes to be continuously analysed, improved, and supported by an adequate set of tools and techniques, which led to the conception of Process Mining (PM). Predictive Process Mining (PPM) emerges as the integration of PM with predictive mecha nisms, with the goal of enabling more proactive decision-making and problem-solving, com pared to the reactive approach adopted with traditional PM. This dissertation aims to raise awareness of its benefits and increase its adoption, by studying real-world applications of PPM in a multinational organisation. During this work, interviews conducted with key business users led to the conclusion that PPM, from a management perspective, not only improves process transparency and under standing of its complexities, but also allows the future behaviour of ongoing processes to be predicted and actions taken to align them with business interests. Regarding operations, the interviewees expect the change to a more proactive approach to lead to an improvement in process efficiency, resource management, and performance metrics (e.g., user satisfaction, lead time), as a result of smoother process execution, with reduced delays and setbacks. To support these expectations and study the application of predictive techniques in PPM, two distinct solutions have been developed. The first use case: Next-Event Prediction, covers a specific sequence of steps from a purchasing process and aims to predict whether a purchase request will be rejected during the review stage, following its creation. The second use case: Outcome Prediction, covers a complex multi-step change approval process and aims to make an early prediction on whether the decision will be delayed or not, based on a predefined deadline. In both cases, an early prediction allows users to make the necessary changes to avoid an undesirable outcome. During development, process analyses revealed significant potential for the process perfor mance to be optimised and allowed the definition of Key Performance Indicators (KPIs) to measure the real impact of the use cases once they are deployed to production. When it comes to the implementation, several techniques have been studied, with particular empha sis on the analysis of different representations for the process data (e.g., aggregated vs. sequential), and the performance comparison between ensemble (e.g., eXtreme Gradient Boosting (XGBoost)) and deep learning models (e.g., Long Short Term Memory (LSTM)). In both use cases, XGBoost demonstrated notable performance and outperformed the other models, with F1-Scores ranging from 84% to 87%. In the end, not only have the initial expectations from stakeholders been met, but they have also gained a better understanding of their needs and PPM’s capabilities. By maintaining close communication with end users and stakeholders, addressing their needs and concerns, and building on top of the work from this thesis, PPM will surely be on the right track to realise its potential and thrive in the ever-evolving business landscape, helping organisations adapt to the challenges and opportunities that lie ahead. | pt_PT |
| dc.description.abstract | A complexidade dos processos de negócios atingiu níveis sem precedentes, e os ambientes em que as organizações operam nunca foram tão dinâmicos e competitivos. Mineração de Processos (MP) resultou desta necessidade de monitorizar, analisar e melhorar continuamente os processos de negócios, com o apoio de ferramentas e técnicas adequadas. Mais recentemente, Mineração Preditiva de Processos (MPP) surgiu como a integração de MP com técnicas preditivas, permitindo tomadas de decisões mais informadas e a resolução proativa de problemas, em comparação com a postura reativa adotada em MP tradicional. Esta dissertação visa entender melhor os benefícios de MPP e aumentar a sua adoção nas organizações, através do estudo de aplicações reais numa empresa multinacional. Durante este trabalho, realizaram-se entrevistas com stakeholders que levaram à conclusão de que MPP, em termos de gestão, não só melhora a transparência dos processos e a com preensão das suas complexidades, como também permite prever os resultados do processo e executar ações para os alinhar com os interesses da organização. Em termos operacionais, espera-se que a adoção de uma abordagem mais proativa melhore a eficiência dos processos, a gestão de recursos e as métricas de desempenho (e.g., satisfação dos utilizadores, tempo de execução), fruto de uma execução de processo com menos atrasos e contratempos. De modo a suportar essas expectativas e estudar a aplicação de técnicas preditivas em MPP, foram desenvolvidas duas soluções distintas. O primeiro caso de uso: Previsão do Próximo Evento, abrange uma sequência específica de passos num processo de compra e tem como objetivo prever se um pedido, após ser criado, será rejeitado durante a fase de revisão. O segundo caso de uso: Previsão do Resultado Final, abrange um processo complexo de aprovação de alterações no produto, com várias etapas, e tem como objetivo prever se a decisão irá cumprir ou não o prazo predefinido. Em ambos os casos, uma previsão atempada permite aos utilizadores fazer as alterações necessárias para evitar um resultado indesejado. Durante o desenvolvimento das soluções, realizaram-se análises aos processos que revelaram um potencial significativo para otimizar o seu desempenho e permitiram a definição de Indicadores-Chave de Desempenho (KPIs) para medir o impacto real das soluções após o seu lançamento em produção. Em termos de implementação, destaca-se a análise de diferentes representações dos dados dos processos (e.g., agregada vs. sequencial), bem como a comparação do desempenho entre modelos ensemble (e.g., eXtreme Gradient Boosting (XGBoost)) e de aprendizagem profunda (e.g., Long Short Term Memory (LSTM)). Em ambas as soluções, o XGBoost mostrou um desempenho notável e superior ao dos outros modelos, com F1-Scores entre 84% a 87%. De modo geral, as expectativas dos stakeholders não só foram correspondidas, como foram aprofundadas à medida que compreenderam melhor as suas necessidades e as capacidades de MPP. Desta dissertação, conclui-se ainda que será essencial manter uma comunicação próxima com os utilizadores e os stakeholders, e dar continuidade ao trabalho desenvolvido, para que MPP possa atingir o seu potencial e tornar-se indispensável para que as organizações se adaptem aos desafios e oportunidades que o mercado lhes apresenta. | pt_PT |
| dc.identifier.tid | 203380444 | pt_PT |
| dc.identifier.uri | http://hdl.handle.net/10400.22/24021 | |
| dc.language.iso | eng | pt_PT |
| dc.subject | Process Mining | pt_PT |
| dc.subject | Business Processes | pt_PT |
| dc.subject | Process Enhancement | pt_PT |
| dc.subject | Predictive Techniques | pt_PT |
| dc.subject | Machine Learning | pt_PT |
| dc.subject | Next-Event Prediction | pt_PT |
| dc.subject | Outcome Prediction | pt_PT |
| dc.title | Mineração Preditiva de Processos - Otimização de processos de negócio através de técnicas preditivas | pt_PT |
| dc.title.alternative | Predictive Process Mining - Optimisation of business processes using predictive techniques | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | embargoedAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |
| thesis.degree.name | Engenharia de Inteligência Artificial | pt_PT |