Tegevusele orienteeritud põhjusliku protsessi kaevandamine: otsast lõpuni lähenemine Ylearn'iga
Nimi
Lukas Baltramaitis
Kokkuvõte
Viimastel aastakümnetel on ettevõtted uurinud andmepõhiseid meetodeid ja vahendeid oma äriprotsesside uuendamiseks. Viimasel ajal on andmeanalüütikute ja -uurijate seas populaarseks saanud preskriptiivne äriprotsesside analüüs. Paljud uuringud käsitlevad ettekirjutavate algoritmide kasutamist erinevate äriprotsesside optimeerimiseks. Ettekirjutavad algoritmid püüavad ajalooliste ja/või reaalajas saadud andmete põhjal leida ja soovitada parimaid tegevusi tulevaste tulemuste parandamiseks, nt milliseid olemasolevaid tegevusi reklaamiprotsessis on vaja muuta, et suurendada müüki. Üks ettekirjutavate meetodite lähenemisviis on kasutada põhjusliku protsessi kaevandamist. See lähenemisviis kasutab ettevõtte infosüsteemidest saadud sündmuste logisid ja analüüsib neid seejärel põhjusliku järeldamise algoritmide abil, et avastada ja hinnata neid võimalikke muutusi, mis mõjutaksid lõpptulemust. Kõik sündmuste logid võivad siiski erineda logitavate muutujate poolest ja mudelid võivad muutuda sõltuvaks andmestruktuurist.
See tähendab, et iga sündmuse logi nõuab eraldi muutujate uurimist ja modelleerimist, mis vastaks sündmuse logi andmestruktuurile. Seetõttu võtab nende tegevuste teostamine aega ja ressursse. Üldisem ja automatiseeritud lähenemisviis oleks paremini rakendatav erinevate äritegevuste puhul ja annaks kasulikke tulemusi ilma liigse analüüsi või mudeli koostamiseta. Seetõttu uurime käesolevas uuringus võimalust kasutada põhjusliku järeldamise algoritmide jaoks ainult sündmuse ID, tegevuse ja ajatempli muutujaid sündmuste logis. Pakume välja eksperimendi tarkvara artefakti, mis sisaldab andmete ettevalmistamist ja integreerib olemasoleva Ylearni põhjusliku järeldamise tööriista. Lähenemisviisi hinnatakse viie reaalse sündmuse logi abil. Hindamistulemused näitavad, et sündmuse logi tegevuste vahel on võimalik tuvastada põhjuslikke seoseid ja hinnanguline muudatuste efekt on võrreldav teiste lähenemisviisidega.
See tähendab, et iga sündmuse logi nõuab eraldi muutujate uurimist ja modelleerimist, mis vastaks sündmuse logi andmestruktuurile. Seetõttu võtab nende tegevuste teostamine aega ja ressursse. Üldisem ja automatiseeritud lähenemisviis oleks paremini rakendatav erinevate äritegevuste puhul ja annaks kasulikke tulemusi ilma liigse analüüsi või mudeli koostamiseta. Seetõttu uurime käesolevas uuringus võimalust kasutada põhjusliku järeldamise algoritmide jaoks ainult sündmuse ID, tegevuse ja ajatempli muutujaid sündmuste logis. Pakume välja eksperimendi tarkvara artefakti, mis sisaldab andmete ettevalmistamist ja integreerib olemasoleva Ylearni põhjusliku järeldamise tööriista. Lähenemisviisi hinnatakse viie reaalse sündmuse logi abil. Hindamistulemused näitavad, et sündmuse logi tegevuste vahel on võimalik tuvastada põhjuslikke seoseid ja hinnanguline muudatuste efekt on võrreldav teiste lähenemisviisidega.
Lõputöö keel
inglise
Lõputöö tüüp
Magister - Tarkvaratehnika
Juhendaja(d)
Fredrik Milani, Mahmoud Shoush
Kaitsmise aasta
2023