Software development and research for machine learning-based structural errors detection in BPMN models

Abstract

The most important tool for process management is business process modeling. Business process models allow to graphically represent the sequences of events, activities, and decision points that make up business processes. However, models that contain errors in depicting the business process structure can lead to misunderstanding of a business process, errors in its execution, and associated expenses. Thus, the aim of this study is to ensure the comprehensibility of business process models by detecting structural errors in business process models and their subsequent correction. During the analysis of the Business Process Management (BPM) lifecycle, it was found that the created business process models do not have a stage of control for the presence of errors in them. Therefore, the paper analyzes and improves the BPM lifecycle using the proposed approach. In the improved BPM lifecycle, it is proposed to take into account the correctness validation stage of business process models using the developed software.Найважливішим інструментом управління процесами є моделювання бізнес-процесів. Моделі бізнес-процесів дозволяють графічно представляти послідовності подій, дій і точок прийняття рішень, з яких складаються бізнес-процеси. Однак моделі, які містять помилки в представленні структури бізнес-процесу, можуть призвести до неправильного розуміння бізнес-процесу, помилок у його виконанні та пов'язаних з цим витрат. Таким чином, метою даного дослідження є забезпечення зрозумілості моделей бізнес-процесів шляхом виявлення структурних помилок у моделях бізнес-процесів та їх подальшого виправлення. У вдосконаленому життєвому циклі BPM пропонується врахувати етап перевірки коректності моделей бізнес-процесів за допомогою розробленого програмного забезпечення, обробляти створені моделі BPMN (Business Process Model and Notation) у вигляді зв'язаних орієнтованих графів. Для виявлення помилок у моделях бізнес-процесів вибирається один із методів машинного навчання K-Nearest Neighbors, який є достатньо простим і ефективним методом класифікації. Для аналізу отриманих результатів було використано матрицю помилок та розраховано відповідні метрики якості.