目次
Online Discovery of Simulation Models for Evolving Business Processes (Extended Version)
この論文は、進化するビジネスプロセスに対応するためのオンラインプロセスシミュレーションモデルの発見技術を提案し、最近のデータを優先しながら歴史的情報を保持してプロセスの動的変化に適応する方法を示しています。
この論文の特徴は、進化するビジネスプロセスにリアルタイムで適応できるシミュレーションモデルを、インクリメンタルプロセスディスカバリーとオンライン機械学習を統合することで実現し、特に最近のデータを重視してシミュレーションの精度と安定性を向上させる点です。
論文：https://arxiv.org/abs/2506.10049
リポジトリ：https://github.com/franvinci/ProcessSimulationTool
以下は、弊社AI開発ツール「IXV」を用いてこの論文を要約したものです。見出しや章立てが元論文とは異なる場合があります。
概要
ビジネスプロセスシミュレーション（BPS）は、ビジネスプロセスの動的な挙動を再現するための技術を指します。これまでに、歴史的なイベントログからシミュレーションモデルを自動的に発見するための多くのアプローチが提案されており、手動での設計にかかるコストと時間を削減しています。しかし、動的なビジネス環境では、組織は効率を向上させ、コストを削減し、顧客満足度を向上させるためにプロセスを継続的に洗練しています。既存のプロセスシミュレーション発見技術は、リアルタイムの運用変更に対する適応性が欠けています。
本論文では、最近のデータに重みを置きつつ、歴史的な情報を保持することで、進化するプロセスのダイナミクスに適応することを保証する、インクリメンタルプロセスディスカバリーとオンライン機械学習手法を統合したストリーミングプロセスシミュレーション発見技術を提案します。4つの異なるイベントログで実施した実験では、最近のデータに重きを置くことの重要性が示され、シミュレーションの安定性が向上し、概念漂流への対応力も高まることが強調されました。
1. はじめに
ビジネスプロセス・シミュレーション（BPS）は、アクティビティのコントロールフロー、タスク継続時間、リソース配分などの重要な側面を組み込むことで、様々な実行時側面の確率的特性を捉える技術です。これにより組織は様々なシナリオを評価し、ボトルネックを予測し、データ駆動型の意思決定を行うことができます。しかし、進化するプロセスとその動的な振る舞いへの対処は依然として主要な課題の一つです。従来のシミュレーションモデル発見技術は、プロセスの振る舞いに変化が観察されてもモデルを更新する可能性を備えていません。
2. 動機となる例
金融機関内のローン申請プロセスを例に、オンラインプロセスシミュレーション発見技術の動機を示します。初期状態では、顧客がローン申請を提出すると、専門家による手動レビュー（50%の確率、50分間）またはシステムによる自動承認（50%の確率、30分間）の2つの経路で処理されます。しかし、プロセス最適化のための内部決定により、自動レビューの確率が80%に増加し、処理時間が10分に短縮されました。従来のプロセスシミュレーション発見手法では、ドリフト前後の両方の振る舞いを含む全ての過去のイベントデータを組み込むため、変化を正確に反映できません。
3. 関連研究
Rozinatらの研究は、プロセスの複数の観点（コントロールフロー、データ、パフォーマンス、リソース側面）を発見し、それらを完全なシミュレーションモデルに統合する最初の研究の一つです。Camargoらは、プロセスモデルを発見してプロセスのコントロールフロー観点をモデル化し、他の観点の実行時特性化のためにディープラーニングモデルで拡張するハイブリッドアプローチを提案しました。しかし、これらの発見技術は時間の経過とともにプロセスが安定していることを仮定しており、過去と最近の振る舞いを平均化することでパターンを分析します。コンセプトドリフトに対処するため、イベントストリームからコンセプトドリフトを検出する手法や、ストリーミングプロセスマイニング技術が提案されています。
4. オンラインプロセスシミュレーション発見
4.1 前提条件
プロセスデータは通常、トレースとイベントログを定義するイベントの系列として収集されます。イベントストリームは、時間順序付けられた一意のイベントの無限系列として定義されます。ビジネスプロセス・シミュレーション（BPS）モデルは、M = (N, D, P)のタプルとして定義され、Nはアクティビティのコントロールフロープロセスモデル、Dは記述的パラメータのセット、Pは時間的および確率的観点を特性化する予測パラメータのセットです。本研究では、すべてのモデルを確率的決定木とし、説明可能性とシミュレーションに不可欠な確率的性質の両方を確保します。
4.2 我々の発見技術
従来のプロセス発見技術は単一のバッチで履歴イベントデータを分析してプロセスモデルを導出しますが、これらの手法はプロセスが時間の経過とともに静的であることを仮定しています。本論文では、プロセスシミュレーションモデルを段階的に発見する技術を提案します。更新手順は4つの主要ステップに分けられます：(1) イベントデータ準備、(2) インクリメンタルプロセス発見技術を用いたコントロールフローモデルの精密化、(3) 記述的パラメータの更新、(4) オンライン機械学習技術を用いた予測パラメータの調整。スライディングウィンドウの概念を採用し、ホフディング適応木（HAT）をコア学習手法として使用します。
5. 実験
5.1 実験設定
発見技術をPythonで実装し、シミュレータはペトリネットとして表現されるプロセスモデルと、イベントログから発見可能なパラメータのセットで初期化されます。4つの異なるイベントログで実験を実施しました：BPIC17W（オランダの金融機関のローン申請プロセス）、BPIC12W（2011年のプロセス実行）、Purchase to Pay（P2P）、CVS retail pharmacy。イベントログの時間次元を10個の時間ウィンドウに分割し、3つの異なる発見技術を比較しました：(a) 全ての過去データを使用する単一大バッチ技術、(b) 最新の時間ウィンドウのデータのみを考慮する最終小バッチ技術、(c) 提案するオンライン発見技術。
5.2 結果
Chapela-Campaらが提案した距離指標を用いてシミュレーション発見技術の精度を評価しました。これらの指標には、コントロールフロー関連距離を評価するCFLDと3GD、時間における絶対的または相対的なイベント分布を測定するAEDとRED、概日次元（週の日と時）におけるイベント複製の精度を評価するCEDとCWD、ケース到着の精度を定量化するCAR、サイクルタイム分布の違いを測定するCTDが含まれます。提案手法は、全体的にベースラインを上回る性能を示し、全ての指標において同等以上の平均結果を達成しました。個別のイベントログと指標を分析すると、32ケース中24ケース（75%）で最良の結果を達成しました。
6. 結論
従来のビジネスプロセス・シミュレーション発見技術は有限の履歴トレースセットの分析に依存し、プロセスが時間の経過とともに変化しないことを仮定しています。本論文では、進化するプロセスに適応できるシミュレーション発見技術を提案しました。最先端の研究では、ハイブリッドプロセスシミュレーションモデルがより正確なシミュレーションを生成できることが実証されています。高い精度を維持するため、インクリメンタルプロセス発見とオンライン機械学習技術を組み合わせました。実施した実験は、提案技術の潜在的有効性を明らかにし、様々な観点でより正確な結果につながり、時間の経過とともにより安定していることを示しました。