Modelo de servicios genéricos para la mejora automática de los procesos empresariales
DOI:
https://doi.org/10.17981/ingecuc.18.2.2022.06Palabras clave:
Procesos de Negocio, Minería de Procesos, Minería de Datos, Cuellos de Botella, ServiciosResumen
Introducción: Las organizaciones requieren día a día más productividad y eficiencia en sus procesos de negocio. En la actualidad se cuenta con diversas herramientas que brindan soporte para optimizar tiempos y recursos de acuerdo con la complejidad de las actividades de los procesos de negocio. Sin embargo, al automatizar procesos, pocas empresas logran definir un flujo de trabajo exitoso, por lo que no pueden prever las dificultades que surgen en un entorno de producción. En consecuencia, no es posible dar una solución anticipada a los problemas, lo que implica sobrecostos, pérdida de tiempo y en algunos casos afectación al talento humano de la organización.
Objetivo: En este artículo se presenta un modelo de servicios genérico para la mejora automática de procesos de negocio que permite identificar cuellos de botella, reprocesos, fallas y retrasos al analizar los logs de eventos de un proceso de negocio. También resume la implementación del servicio de gestión de cuellos de botella para soportar la toma de decisiones en un proceso simulado, aplicando modelos de regresión para predecir el rendimiento de las actividades manuales del proceso con base en los retrasos y la longitud de las colas. Mediante la predicción del rendimiento y la elaboración de sugerencias de asignación de recursos, se determinó el nivel de mejora del proceso.
Metodología: La investigación se realizó siguiendo el Patrón de Investigación Iterativa propuesto por Pratt. Primero se identificaron los principales problemas en la gestión de procesos, luego se realizó una revisión del estado del arte para conocer las propuestas de solución a estos problemas, después se propuso un modelo de solución independiente del software de gestión de procesos que se use y finalmente se realizaron dos evaluaciones, una a nivel conceptual con la técnica de grupo focal y la otra basada en la implementación de uno de los servicios propuestos y datos recolectados de un experimento en un simulador de procesos de negocio.
Resultados: La evaluación conceptual de los servicios propuestos en el modelo se realizó por parte de un grupo de expertos, con base en los lineamientos de diseño y contenido del estándar de la nomenclatura de modelado BPMN, otorgando una calificación de 4,8 sobre 5,0 para cada servicio. La experimentación con el simulador de procesos de negocio y las recomendaciones entregadas por el servicio implementado (gestión de cuellos de botella) permitió evaluar la reducción en tiempo del procesamiento de las instancias de un proceso en relación con los recursos adicionados.
Conclusiones: El modelo propuesto este compuesto de tres servicios principales, la gestión de cuellos de botella, la gestión de recursos y la gestión de entradas. El primer servicio ayuda a establecer las medidas correctivas para que el proceso fluya y las instancias de este no se encolen en tareas o actividades específicas, lo que ayuda a mejorar el tiempo de respuesta y la calidad del servicio. La gestión de recursos busca optimizar el tiempo de ejecución de las actividades manuales y la gestión de entradas busca asegurar que una instancia del proceso cuente con los datos y documentos requeridos para ser procesado de inicio a fin, evitando reprocesos y mejorando la calidad de los datos que se reciben y procesan.
Descargas
Citas
S. Park & Y. Kang, “A Study of Process Mining-based Business Process Innovation,” Procedia Comput. Sci., vol. 91, pp. 734–743, Dec. 2016. https://doi.org/10.1016/j.procs.2016.07.066
C. dos Santos, A. Meincheim, E. Junior, M. Dallagassa, D. Sato, D. Carvalho, E. Santos & E. Scalabrin, “Process mining techniques and applications – A systematic mapping study,” Expert Syst. Appl., vol. 133, pp. 260–295, Nov. 2019. https://doi.org/10.1016/j.eswa.2019.05.003
P. Harmon, “Chapter 15 - Software tools for business process work,” in Business Process Change, 4th ed. BTV, USA: Morgan Kaufmann Publishers, 2019, ch 15, pp. 369–392. https://doi.org/10.1016/B978-0-12-815847-0.00015-7
A. Rozinat, I. de Jong, C. Günther & W. van der Aalst, “Process mining applied to the test process of wafer scanners in ASML,” IEEE Trans. Syst. Man Cybern. Part C: Applications and Reviews, vol. 39, no. 4, pp. 474–479, Mar. 2009. https://doi.org/10.1109/TSMCC.2009.2014169
W. van der Aalst, “Process Mining: Overview and Opportunities,” ACM Trans. Manage. Inf. Syst., vol. 3, no. 2, pp. 1–17, Jul. 2012. https://doi.org/10.1145/2229156.2229157
E. Vasilyev, D. Ferreira & J. Iijima, “Using Inductive Reasoning to Find the Cause of Process Delays,” presented at IEEE 15th Conference on Business Informatics, WIE, VIE, AT, 15-18 Dec. 2013. https://doi.org/10.1109/CBI.2013.41
W. van der Aalst, Process Mining: Data Science in Action, 2 ed. LDN: UK, Springer, 2016. Available: https://doi.org/10.1007/978-3-662-49851-4
A. Dzihni, R. Andreswari & M. Hasibuan, “Business Process Analysis and Academic Information System Audit of Helpdesk Application using Genetic Algorithms a Process Mining Approach,” Procedia Comput. Sci, vol. 161, pp. 903–909, Jan. 2019. https://doi.org/10.1016/j.procs.2019.11.198
G. Park & M. Song, “Predicting performances in business processes using deep neural networks,” Decis. Support Syst., vol. 129, pp. 1–34, Feb. 2020. https://doi.org/10.1016/j.dss.2019.113191
C. Liu, Q. Zeng, H. Duan, L. Wang, J. Tan, C. Ren & W. Yu, “Petri Net Based Data-Flow Error Detection and Correction Strategy for Business Processes,” IEEE Access, vol. 8, pp. 43265–43276, Feb. 2020. https://doi.org/10.1109/ACCESS.2020.2976124
E. Ruschel, E. Loures, & E. A. Santos, “Performance analysis and time prediction in manufacturing systems,” CAIE, vol. 151, pp. 1–17, Jan. 2021. https://doi.org/10.1016/j.cie.2020.106972
K. Pratt, “Design Patterns for Research Methods: Iterative Field Research,” presented at 2009 AAAI Spring Symposium: Experimental Design for Real, STFD, CA, USA, 23-25 Mar. 2009. Available from http://kpratt.net/wp-content/uploads/2009/01/research_methods.pdf
S. Beeram & S. Kuchibhotla, “Time Series Analysis on Univariate and Multivariate Variables: A Comprehensive Survey”, In S. C. Satapathy, V. Bhateja, M. R. Murty, N. Gia, J. Kotti (eds) Communication Software and Networks, LDN, UK: Springer, 2021, pp. 119–126. https://doi.org/10.1007/978-981-15-5397-4_13
I. Moreno, “Patrón y clasificación taxonómica para directrices prácticas en modelos de procesos de negocio,” Tesis doctorado, UCLV, ST. CLRA, CU, 2015. Disponible en http://dspace.uclv.edu.cu:8089/handle/123456789/7212
Bizagi Modeler, (version 11). Bizagi Studio. Available: https://www.bizagi.com/es/plataforma/modeler

Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2022 INGE CUC

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los artículos publicados son de exclusiva responsabilidad de sus autores y no reflejan necesariamente las opiniones del comité editorial.
La Revista INGE CUC respeta los derechos morales de sus autores, los cuales ceden al comité editorial los derechos patrimoniales del material publicado. A su vez, los autores informan que el presente trabajo es inédito y no ha sido publicado anteriormente.
Todos los artículos están bajo una Licencia Creative Commons Atribución-NoComercial-SinDerivadas 4.0 Internacional.