КОНЦЕПТУАЛЬНІ МОДЕЛІ ПРИЙНЯТТЯ РІШЕНЬ У ЛОГІСТИЦІ З ВИКОРИСТАННЯМ ПРОЦЕСНОГО АНАЛІЗУ

Тарас Муха

doi:10.32782/bsnau.2025.4.10

Тарас Муха Харківський національний автомобільно-дорожній університет https://orcid.org/0009-0008-9282-6833

DOI: https://doi.org/10.32782/bsnau.2025.4.10

Ключові слова: процесний аналіз, Process Mining, логістика, прийняття рішень, управління ланцюгами постачання, виявлення процесів, оптимізація логістичних операцій, подійні логи

Анотація

Мета дослідження полягає у розробці концептуальних моделей прийняття управлінських рішень у логістичних системах на основі застосування методології процесного аналізу (Process Mining). Актуальність теми обумовлена необхідністю підвищення ефективності логістичних операцій в умовах зростаючої складності ланцюгів постачання та цифрової трансформації бізнес-процесів. Традиційні підходи до аналізу логістичних процесів часто базуються на теоретичних моделях, які не завжди відображають реальний стан справ, тоді як процесний аналіз дозволяє виявляти фактичні процеси на основі подійних логів інформаційних систем. Методологія дослідження базується на синтезі концептуальних моделей процесного аналізу та їх адаптації до специфіки логістичної діяльності. У роботі застосовано методи порівняльного аналізу, систематизації та для вивчення існуючих підходів до застосування Process Mining у логістиці. Результати дослідження включають розроблену інтегровану концептуальну модель прийняття рішень, яка поєднує три ключові компоненти: виявлення процесів (process discovery), перевірку відповідності (conformance checking) та вдосконалення процесів (process enhancement). Запропонована модель забезпечує структурований підхід до аналізу логістичних операцій на основі даних подійних логів з ERP-систем, систем управління складом та транспортом. Визначено основні типи відхилень у логістичних процесах та розроблено класифікацію методів процесного аналізу відповідно до специфіки логістичних завдань. Практична цінність дослідження полягає у можливості застосування розроблених концептуальних моделей логістичними компаніями для оптимізації процесів складування, транспортування та дистрибуції, скорочення циклу виконання замовлень, підвищення рівня обслуговування клієнтів та зниження операційних витрат на основі аналізу фактичних даних про виконання логістичних операцій. Додатковою перевагою запропонованого підходу є формалізований шаблон впровадження Process Mining — від побудови моделі даних і політики якості до вибору інструментарію та метричного контролю, — що забезпечує відтворюваність, масштабованість і прозорість управлінських рішень у багатоланкових логістичних мережах.

Посилання

Agostinelli S., Maggi F. M., Marrella A., Mecella M. Automated generation of executable RPA scripts from user interface logs. У: Business Process Management: BPM 2021 (Lecture Notes in Computer Science, Vol. 12875). Springer. 2021. С. 116–131. DOI: https://doi.org/10.1007/978-3-030-85469-0_10

van der Aalst W. M. P. Process mining: A 360-degree overview. У: Process Mining Handbook (Lecture Notes in Business Information Processing, Vol. 448). Springer. 2020. С. 3–34. DOI: https://doi.org/10.1007/978-3-031-08848-3_1

Baier T., Mendling J., Weske M. Bridging abstraction layers in process mining. Information Systems. 2021. Вип. 46. С. 123–139. DOI: https://doi.org/10.1016/j.is.2014.04.004

Berti A., van Zelst S. J., van der Aalst W. M. P. Process mining for Python (PM4Py): Bridging the gap between process and data science. У: ICPM Demo Track. 2020. С. 13–16. DOI: https://doi.org/10.48550/arXiv.1905.06169

dos Santos Garcia C., Meincheim A., Faria Junior E. R., Dallagassa M. R., Sato D. M. V., Carvalho D. R., Santos E. A. P., Scalabrin E. E. Process mining techniques and applications: A systematic mapping study. Expert Systems with Applications. 2020. Вип. 133. С. 260–295. DOI: https://doi.org/10.1016/j.eswa.2019.05.003

Dees M., de Leoni M., van der Aalst W. M. P. What if process predictions are not followed? У: Business Process Management: BPM 2021 (Lecture Notes in Computer Science, Vol. 12875). Springer. 2021. С. 61–77. DOI: https://doi.org/10.1007/978-3-030-85469-0_7

Dumas M., La Rosa M., Mendling J., Reijers H. A. Fundamentals of Business Process Management (2nd ed.). Springer. 2020. DOI: https://doi.org/10.1007/978-3-662-56509-4

Fani Sani M., van Zelst S. J., van der Aalst W. M. P. Conformance checking approximation using subset selection and edit distance. У: Advanced Information Systems Engineering: CAiSE 2020 (Lecture Notes in Computer Science, Vol. 12127). Springer. 2020. С. 234–251. DOI: https://doi.org/10.1007/978-3-030-49435-3_15

García Bañuelos L., Dumas M., La Rosa M., De Weerdt J., Ekanayake C. C. Controlled automated discovery of collections of business process models. Information Systems. 2021. Вип. 46. С. 85–101. DOI: https://doi.org/10.1016/j.is.2013.10.001

Goel K., Wuest T., de Lange K., van der Veen E. Process mining in supply chain management: A review. International Journal of Production Research. 2021. Вип. 59, № 16. С. 5184–5207. DOI: https://doi.org/10.1080/00207543.2020.1785896

Greco G., Guzzo A., Pontieri L., Saccà D. Discovering expressive process models by clustering log traces. IEEE Transactions on Knowledge and Data Engineering. 2021. Вип. 18, № 8. С. 1010–1027. DOI: https://doi.org/10.1109/TKDE.2006.123

Hassani M., Siccha S., Richter F., Seidl T. Efficient process discovery from event streams using sequential pattern mining. У: IEEE SSCI—CIDM. 2015. С. 1366–1373. DOI: https://doi.org/10.1109/SSCI.2015.195

Henrique S., De Weerdt J., Coomans T. Process mining for robotic process automation: A case study in customs. У: Business Process Management: BPM 2021 (Lecture Notes in Computer Science, Vol. 12875). Springer. 2021. С. 34–49. DOI: https://doi.org/10.1007/978-3-030-85469-0_5

Hompes B., Buijs J. C. A. M., van der Aalst W. M. P., Dixit P. M., Buurman H. Discovering deviating cases and process variants using trace clustering. У: Benelux Conference on Artificial Intelligence. 2015. С. 5–6. DOI: https://doi.org/10.48550/arXiv.1507.06516

Leemans S. J. J., Fahland D., van der Aalst W. M. P. Scalable process discovery and conformance checking. Software & Systems Modeling. 2020. Вип. 17, № 2. С. 599–631. DOI: https://doi.org/10.1007/s10270-016-0545-x

Liberati A., Altman D. G., Tetzlaff J., Mulrow C., Gøtzsche P. C., Ioannidis J. P. A., Clarke M., Devereaux P. J., Kleijnen J., Moher D. The PRISMA statement for reporting systematic reviews and meta-analyses of studies. BMJ. 2021. Вип. 339. P. b2535. DOI: https://doi.org/10.1136/bmj.b2535

Leno V., Polyvyanyy A., Dumas M., La Rosa M., Maggi F. M. Robotic process mining: Vision and challenges. Business & Information Systems Engineering. 2021. Вип. 63, № 3. С. 301–314. DOI: https://doi.org/10.1007/s12599-020-00641-4

Martin N., Depaire B., Caris A. The use of process mining in business process simulation model construction. Business & Information Systems Engineering. 2020. Вип. 58, № 1. С. 73–87. DOI: https://doi.org/10.1007/s12599-015-0410-4

Munoz Gama J., Martin N., Fernandez Llatas C., Johnson O. A., Sepúlveda M., Helm E., Galvez Yanjari V., Rojas E., Martinez Millana A., Aloini D., Amantea I. A., Andrews R., Arias M., Beerepoot I., Burattin A., Capurro D., Carmona J., Castellanos M., та ін. Process mining for healthcare: Characteristics and challenges. Journal of Biomedical Informatics. 2021. Вип. 127. P. 103994. DOI: https://doi.org/10.1016/j.jbi.2022.103994

Nguyen H., Dumas M., La Rosa M., Maggi F. M., Suriadi S. Mining business process stages from event logs. IEEE Transactions on Services Computing. 2020. Вип. 13, № 6. С. 1036–1049. DOI: https://doi.org/10.1109/TSC.2018.2808288

Nolle T., Seeliger A., Mühlhäuser M. BINet: Multivariate business process anomaly detection using deep learning. У: Business Process Management: BPM 2021 (Lecture Notes in Computer Science, Vol. 11675). Springer. 2021. С. 271–287. DOI: https://doi.org/10.1007/978-3-030-26619-6_18

Polato M., Sperduti A., Burattin A., de Leoni M. Time and activity sequence prediction of business process instances. Computing. 2021. Вип. 100, № 9. С. 1005–1031. DOI: https://doi.org/10.1007/s00607-018-0593-x

Schönig S., Rogge Solti A., Cabanillas C., Jablonski S., Mendling J. Efficient and customisable declarative process mining with SQL. У: CAiSE 2016 (Lecture Notes in Computer Science, Vol. 9694). Springer. 2016. С. 290–305. DOI: https://doi.org/10.1007/978-3-319-39696-5_18

Agostinelli S., Maggi F. M., Marrella A., Mecella M. Automated generation of executable RPA scripts from user interface logs. У: Business Process Management: BPM 2021 (Lecture Notes in Computer Science, Vol. 12875). Springer. 2021. PP. 116–131. DOI: https://doi.org/10.1007/978-3-030-85469-0_10

van der Aalst W. M. P. Process mining: A 360-degree overview. У: Process Mining Handbook (Lecture Notes in Business Information Processing, Vol. 448). Springer. 2020. PP. 3–34. DOI: https://doi.org/10.1007/978-3-031-08848-3_1

Baier T., Mendling J., Weske M. Bridging abstraction layers in process mining. Information Systems. 2021. Is. 46. PP. 123–139. DOI: https://doi.org/10.1016/j.is.2014.04.004

Berti A., van Zelst S. J., van der Aalst W. M. P. Process mining for Python (PM4Py): Bridging the gap between process and data science. У: ICPM Demo Track. 2020. PP. 13–16. DOI: https://doi.org/10.48550/arXiv.1905.06169

dos Santos Garcia C., Meincheim A., Faria Junior E. R., Dallagassa M. R., Sato D. M. V., Carvalho D. R., Santos E. A. P., Scalabrin E. E. Process mining techniques and applications: A systematic mapping study. Expert Systems with Applications. 2020. Is. 133. PP. 260–295. DOI: https://doi.org/10.1016/j.eswa.2019.05.003

Dees M., de Leoni M., van der Aalst W. M. P. What if process predictions are not followed? У: Business Process Management: BPM 2021 (Lecture Notes in Computer Science, Vol. 12875). Springer. 2021. PP. 61–77. DOI: https://doi.org/10.1007/978-3-030-85469-0_7

Dumas M., La Rosa M., Mendling J., Reijers H. A. Fundamentals of Business Process Management (2nd ed.). Springer. 2020. DOI: https://doi.org/10.1007/978-3-662-56509-4

Fani Sani M., van Zelst S. J., van der Aalst W. M. P. Conformance checking approximation using subset selection and edit distance. У: Advanced Information Systems Engineering: CAiSE 2020 (Lecture Notes in Computer Science, Vol. 12127). Springer. 2020. PP. 234–251. DOI: https://doi.org/10.1007/978-3-030-49435-3_15

García Bañuelos L., Dumas M., La Rosa M., De Weerdt J., Ekanayake C. C. Controlled automated discovery of collections of business process models. Information Systems. 2021. Is. 46. PP. 85–101. DOI: https://doi.org/10.1016/j.is.2013.10.001

Goel K., Wuest T., de Lange K., van der Veen E. Process mining in supply chain management: A review. International Journal of Production Research. 2021. Is. 59, № 16. PP. 5184–5207. DOI: https://doi.org/10.1080/00207543.2020.1785896

Greco G., Guzzo A., Pontieri L., Saccà D. Discovering expressive process models by clustering log traces. IEEE Transactions on Knowledge and Data Engineering. 2021. Is. 18, № 8. PP. 1010–1027. DOI: https://doi.org/10.1109/TKDE.2006.123

Hassani M., Siccha S., Richter F., Seidl T. Efficient process discovery from event streams using sequential pattern mining. У: IEEE SSCI—CIDM. 2015. PP. 1366–1373. DOI: https://doi.org/10.1109/SSCI.2015.195

Henrique S., De Weerdt J., Coomans T. Process mining for robotic process automation: A case study in customs. У: Business Process Management: BPM 2021 (Lecture Notes in Computer Science, Vol. 12875). Springer. 2021. PP. 34–49. DOI: https://doi.org/10.1007/978-3-030-85469-0_5

Hompes B., Buijs J. C. A. M., van der Aalst W. M. P., Dixit P. M., Buurman H. Discovering deviating cases and process variants using trace clustering. У: Benelux Conference on Artificial Intelligence. 2015. PP. 5–6. DOI: https://doi.org/10.48550/arXiv.1507.06516

Leemans S. J. J., Fahland D., van der Aalst W. M. P. Scalable process discovery and conformance checking. Software & Systems Modeling. 2020. Is. 17, № 2. PP. 599–631. DOI: https://doi.org/10.1007/s10270-016-0545-x

Liberati A., Altman D. G., Tetzlaff J., Mulrow C., Gøtzsche P. C., Ioannidis J. P. A., Clarke M., Devereaux P. J., Kleijnen J., Moher D. The PRISMA statement for reporting systematic reviews and meta-analyses of studies. BMJ. 2021. Is. 339. P. b2535. DOI: https://doi.org/10.1136/bmj.b2535

Leno V., Polyvyanyy A., Dumas M., La Rosa M., Maggi F. M. Robotic process mining: Vision and challenges. Business & Information Systems Engineering. 2021. Is. 63, № 3. PP. 301–314. DOI: https://doi.org/10.1007/s12599-020-00641-4

Martin N., Depaire B., Caris A. The use of process mining in business process simulation model construction. Business & Information Systems Engineering. 2020. Is. 58, № 1. PP. 73–87. DOI: https://doi.org/10.1007/s12599-015-0410-4

Munoz Gama J., Martin N., Fernandez Llatas C., Johnson O. A., Sepúlveda M., Helm E., Galvez Yanjari V., Rojas E., Martinez Millana A., Aloini D., Amantea I. A., Andrews R., Arias M., Beerepoot I., Burattin A., Capurro D., Carmona J., Castellanos M., та ін. Process mining for healthcare: Characteristics and challenges. Journal of Biomedical Informatics. 2021. Is. 127. P. 103994. DOI: https://doi.org/10.1016/j.jbi.2022.103994

Nguyen H., Dumas M., La Rosa M., Maggi F. M., Suriadi S. Mining business process stages from event logs. IEEE Transactions on Services Computing. 2020. Is. 13, № 6. PP. 1036–1049. DOI: https://doi.org/10.1109/TSC.2018.2808288

Nolle T., Seeliger A., Mühlhäuser M. BINet: Multivariate business process anomaly detection using deep learning. У: Business Process Management: BPM 2021 (Lecture Notes in Computer Science, Vol. 11675). Springer. 2021. PP. 271–287. DOI: https://doi.org/10.1007/978-3-030-26619-6_18

Polato M., Sperduti A., Burattin A., de Leoni M. Time and activity sequence prediction of business process instances. Computing. 2021. Is. 100, № 9. PP. 1005–1031. DOI: https://doi.org/10.1007/s00607-018-0593-x

Schönig S., Rogge Solti A., Cabanillas C., Jablonski S., Mendling J. Efficient and customisable declarative process mining with SQL. У: CAiSE 2016 (Lecture Notes in Computer Science, Vol. 9694). Springer. 2016. PP. 290–305. DOI: https://doi.org/10.1007/978-3-319-39696-5_18