超级会员免费看
定义流程绩效指标：本体论方法
1. 测量类型介绍
在流程绩效指标（PPI）的定义中，依据获取测量值的方式，可将测量分为基本测量（BaseMeasures）、聚合测量（AggregatedMeasures）和派生测量（DerivedMeasures）。
2. 基本测量（BaseMeasures）
基本测量是通过对单个流程实例执行特定测量方法来获取测量值，它是不依赖其他测量计算得出的实例测量。根据测量对象的不同，会应用不同的测量方法。以下是几种常见的基本测量类型：
-
时间测量（TimeMeasure）
：测量两个时间瞬间条件（开始和结束）之间的持续时间。这些时间瞬间条件可以与活动或流程的开始或结束、事件的触发或数据状态的变化相关联。例如，“分析RFC活动的持续时间”，开始和结束条件分别对应该活动的开始和结束。
-
计数测量（CountMeasure）
：统计时间瞬间条件满足的次数，即活动或池的开始或结束次数、事件的触发次数或数据对象通过某些状态的次数。例如，“一个实例中分析RFC的次数”，通过统计分析RFC活动结束条件满足的次数来测量。
-
条件测量（ConditionMeasure）
：检查某些实例条件是否满足，这些条件测量对于每个实例总是取布尔值。例如，了解数据实例是否处于或已完成给定的数据状态（如“处于瘫痪状态的RFC”），或者检查数据对象的某些属性是否满足特定限制（如优先级为“高”的数据）。还可以检查流元素当前是否正在执行。
-
数据测量（DataMeasure）
：测量数据对象本身包含的某些属性，例如RFC影响的信息系统数量。
所有这些基本测量都定义在关联的BPMN图的具体流元素（时间测量可能涉及两个元素）上。根据条件的类型，这个元素可以是活动、池、事件、数据对象等。
以下是基本测量类型的总结表格：
| 测量类型 | 描述 | 示例 |
| — | — | — |
| 时间测量（TimeMeasure） | 测量两个时间瞬间条件之间的持续时间 | 分析RFC活动的持续时间 |
| 计数测量（CountMeasure） | 统计时间瞬间条件满足的次数 | 一个实例中分析RFC的次数 |
| 条件测量（ConditionMeasure） | 检查实例条件是否满足，取布尔值 | RFC是否处于瘫痪状态 |
| 数据测量（DataMeasure） | 测量数据对象本身的属性 | RFC影响的信息系统数量 |
3. 聚合测量（AggregatedMeasures）
在这种测量定义类型中，测量值是通过对一组属于不同实例的测量应用特定的聚合函数来计算得到的单一值。根据应用的聚合函数是最小值、最大值、平均值、总和或计数（布尔值的“真”的数量），这些测量可以分别是MinAM、MaxAM、AvgAM、SumAM或CountAM。
例如，“去年拒绝的RFC数量”可以通过聚合函数SUM（SumAM）来计算。然而，在计算聚合测量时，需要考虑三个问题：
-
采样频率
：可以定义采样频率，以便不需要测量每个实例，而是每隔X个实例测量一次，X为采样频率。这在获取测量值困难或成本高的环境中很有意义。
-
分组条件
：在聚合测量时，可能需要根据某些条件（实例条件）对它们进行分组。例如，“每个项目的RFC数量”，将RFC数量相加（SumAM），然后按项目的数据属性进行分组，结果是一个每个项目对应一个值的映射。
-
时间范围
：通常，聚合测量会定义一个测量时要考虑的时间范围，通过分析周期（analysisPeriod）来定义，这是一个必须满足的时间条件，只有满足该条件的流程实例的测量值才会被包含在聚合中。
以下是聚合测量的计算流程mermaid图：
graph LR
A[选择测量实例] --> B{是否定义采样频率}
B -- 是 --> C[按采样频率选择实例]
B -- 否 --> D[选择所有实例]
C --> E{是否定义分组条件}
D --> E
E -- 是 --> F[按分组条件分组]
E -- 否 --> G[不分组]
F --> H[应用聚合函数]
G --> H
H --> I[考虑时间范围筛选]
I --> J[得到聚合测量值]
4. 派生测量（DerivedMeasures）
派生测量的值是通过执行数学函数来组合两个或多个测量定义得到的。根据组合的测量是实例测量还是流程测量，结果分别是派生实例测量或派生流程测量。
例如，“分析RFC活动所花费的时间占整个流程持续时间的百分比”和“拒绝的RFC占所有注册RFC的百分比”分别是派生实例测量和派生流程测量的例子。
5. 本体验证
为了验证本体对于定义实际PPI的适用性，将来自多个实际场景的流程分析师定义的指标的文本描述转换为使用PPI本体的等效表示。由于空间限制，仅展示了两个案例研究中一些具有代表性的PPI的定义，其余PPI的定义可在指定网址获取。
以下是两个案例研究中的部分PPI示例：
-
PPI2
：基于聚合测量，计算时间基本测量的平均值，该时间测量表示在委员会中分析活动的持续时间。
-
PPI8
：基于聚合测量，统计所有注册的RFC数量，并按项目进行分组，结果是每个项目对应一个值的映射。
-
PPI12
：基于聚合测量，对去年批准的每个RSHB（社会或健康福利请求）的预算进行求和。
-
PPI13
：基于派生流程测量，计算请求批准的百分比，使用两个聚合测量来计算，分别是去年批准的请求数量和去年注册的请求数量。
6. 建模依赖关系
PPI本体定义了两种类型的测量定义之间的关系：聚合（aggregates）和计算（isCalculated）。前者表示测量定义的测量值是通过对不同流程实例的相同类型测量进行聚合得到的；后者表示测量值是通过对多个不同的流程测量或同一流程实例的多个不同测量进行数学函数计算得到的。
“isCalculated”属性可以进一步细化为“isCalculatedPositively”和“isCalculatedNegatively”，分别表示一个测量的变化对另一个测量的影响是同向（正）还是反向（负）。
基于这些关系，可以在本体中添加两个新属性：“dependsOn”及其逆属性“isDepended”，并且每个关系可以进一步细化为“dependsDirectlyOn”和“dependsInverselyOn”。
以下是一些推理规则示例：
-
directlyAggregates(?x, ?y) −→ dependsDirectlyOn(?x, ?y)
-
isCalculatedPositively(?x, ?y) −→ dependsDirectlyOn(?x, ?y)
-
isCalculatedNegatively(?x, ?y) −→ dependsInverselyOn(?x, ?y)
还可以定义其他推理规则来传播所有测量定义之间的依赖关系，这些规则可以用于推断测量定义之间的所有依赖关系，并用于回答有关组织中定义的PPI的查询。例如，如果两个PPI定义在两个测量定义m1和m2上，并且存在第三个测量定义m3，使得m1直接依赖于m3，而m2反向依赖于m3，则可以识别出潜在冲突的PPI。
7. 相关工作比较
与其他相关工作相比，本提案在多个方面具有优势。以下是与其他几种方法的比较表格：
| 提案 | 与业务流程的显式关系 | 分析周期的定义 | 数据测量 | 派生测量 | 设计时PPI分析 | 关于PPI的查询 |
| — | — | — | — | — | — | — |
| Pedrinaci et al. | N/A | ✓ | ✗ | ✓ | ∼ | ∼ |
| Popova et al. | ✓ | ✓ | N/A | ✗ | ✓ | ✗ |
| Mayerl et al. | ∼ | ✗ | ✗ | ✓ | ∼ | ✗ |
| Castellanos et al. | ∼ | ✗ | N/A | ∼ | ✗ | ✗ |
| Momm et al. | ✓ | ✗ | ✗ | ✗ | ✗ | ✗ |
| Wetzstein et al. | ✓ | ✗ | ✗ | ✗ | ∼ | ✗ |
| 本提案 | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ |
本提案在与业务流程的显式关系、定义各种PPI以及对PPI进行分析和查询方面表现出色。
8. 结论与未来工作
本工作强调了将PPI管理集成到整个业务流程生命周期中的重要性，特别是在设计和分析阶段，PPI必须与业务流程一起建模。所提出的本体能够描述各种PPI，明确了PPI与业务流程之间的关系，并通过OWL-DL定义PPI，使得在设计时进行自动化推理分析成为可能。
未来的工作重点包括增加可以使用本体定义的PPI类型，例如允许指定复杂条件（如先前被拒绝后又被批准的RFC数量），并使用BPMN-Q中定义的复杂查询作为一种条件类型。同时，计划扩展测量定义之间依赖关系的自动检测，以检测不同基本测量之间的依赖关系。此外，正在开发一种图形符号来描绘业务流程上的PPI本体概念，并将其集成到基于Web的编辑器ORYX中。
定义流程绩效指标：本体论方法
9. PPI本体的优势总结
PPI本体在流程绩效指标的定义和分析中展现出多方面的优势，具体如下：
-
全面性
：涵盖了基本测量、聚合测量和派生测量等多种测量类型，能够全面地对流程绩效进行刻画。无论是单个流程实例的基本测量，还是多个实例的聚合测量，亦或是通过数学函数组合得到的派生测量，都能在本体中得到有效的定义和管理。
-
灵活性
：支持定义复杂的条件和规则，如聚合测量中的采样频率、分组条件和时间范围，以及派生测量中的各种数学函数组合。这使得PPI的定义能够根据实际业务需求进行灵活调整，适应不同的业务场景。
-
可分析性
：通过定义测量定义之间的关系和依赖，以及相应的推理规则，能够对PPI进行深入的分析。可以检测潜在的冲突和依赖关系，为业务决策提供有力的支持。
-
与业务流程的紧密结合
：明确了PPI与业务流程元素之间的关系，使得PPI的定义和分析能够紧密围绕业务流程展开，更好地反映业务流程的实际运行情况。
10. 实际应用案例分析
为了更直观地展示PPI本体的应用效果，下面对前面提到的案例研究中的部分PPI进行详细分析。
| PPI编号 | 定义描述 | 测量类型 | 关键信息 |
|---|---|---|---|
| PPI2 | 基于聚合测量，计算时间基本测量的平均值，该时间测量表示在委员会中分析活动的持续时间 | 聚合测量（AvgAM） | 分析活动：在委员会中分析；时间测量：活动持续时间；聚合方式：平均值 |
| PPI8 | 基于聚合测量，统计所有注册的RFC数量，并按项目进行分组，结果是每个项目对应一个值的映射 | 聚合测量（SumAM） | 测量对象：注册的RFC数量；分组条件：项目；聚合方式：求和 |
| PPI12 | 基于聚合测量，对去年批准的每个RSHB（社会或健康福利请求）的预算进行求和 | 聚合测量（SumAM） | 测量对象：RSHB预算；时间范围：去年；聚合方式：求和 |
| PPI13 | 基于派生流程测量，计算请求批准的百分比，使用两个聚合测量来计算，分别是去年批准的请求数量和去年注册的请求数量 | 派生流程测量 | 派生方式：百分比计算；聚合测量1：去年批准的请求数量；聚合测量2：去年注册的请求数量 |
以PPI13为例，其具体计算步骤如下：
1.
确定时间范围
：明确为去年，筛选出在该时间范围内的流程实例。
2.
计算去年批准的请求数量
：通过计数活动“Issue approval”结束的次数来统计。
3.
计算去年注册的请求数量
：通过计数事件“receive doc”触发的次数来统计。
4.
计算百分比
：将去年批准的请求数量除以去年注册的请求数量，再乘以100，得到请求批准的百分比。
11. 依赖关系推理规则详解
在PPI本体中，依赖关系的推理规则起着关键作用，它们能够帮助我们发现测量定义之间的潜在关系，进而对PPI进行深入分析。以下是对部分推理规则的详细解释：
-
directlyAggregates(?x, ?y) −→ dependsDirectlyOn(?x, ?y)
：如果测量定义
x
直接聚合了测量定义
y
，那么
x
直接依赖于
y
。这意味着
x
的测量值是通过对
y
的测量值进行聚合得到的，
y
的变化会直接影响
x
。
-
isCalculatedPositively(?x, ?y) −→ dependsDirectlyOn(?x, ?y)
：如果测量定义
x
通过正向的数学函数计算依赖于测量定义
y
，那么
x
直接依赖于
y
。例如，
x
是
y
的倍数关系，
y
的增加会导致
x
的增加。
-
isCalculatedNegatively(?x, ?y) −→ dependsInverselyOn(?x, ?y)
：如果测量定义
x
通过反向的数学函数计算依赖于测量定义
y
，那么
x
反向依赖于
y
。例如，
x
是
y
的倒数关系，
y
的增加会导致
x
的减少。
此外，还有一些用于传播依赖关系的推理规则，例如：
isCalculatedNegatively(?x, ?y),
dependsInverselyOn(?y, ?z) −→ dependsDirectlyOn(?x, ?z)
这条规则表示，如果
x
反向依赖于
y
，而
y
又反向依赖于
z
，那么
x
直接依赖于
z
。通过这些推理规则，可以构建出复杂的依赖关系网络，帮助我们全面理解PPI之间的相互影响。
以下是依赖关系推理的mermaid流程图：
graph LR
A[测量定义x] --> B{与y的关系}
B -- directlyAggregates --> C[dependsDirectlyOn x,y]
B -- isCalculatedPositively --> C
B -- isCalculatedNegatively --> D[dependsInverselyOn x,y]
C --> E{y与z的关系}
D --> E
E -- dependsInverselyOn --> F{若x isCalculatedNegatively y}
E -- dependsDirectlyOn --> G{若x isCalculatedNegatively y}
F -- 是 --> H[dependsDirectlyOn x,z]
G -- 是 --> I[dependsInverselyOn x,z]
12. 未来发展方向的深入探讨
未来，PPI本体的发展将朝着更加完善和智能化的方向前进。
-
PPI类型的扩展
：随着业务的不断发展和变化，对PPI的需求也会越来越多样化。未来将进一步扩展可以使用本体定义的PPI类型，例如支持更多复杂的条件和规则。可以考虑引入模糊逻辑和概率模型，以处理不确定性和模糊性的业务场景。
-
自动化分析能力的提升
：目前虽然已经实现了部分依赖关系的自动检测，但还可以进一步扩展和优化。未来计划将自动检测的范围扩大到不同基本测量之间的依赖关系，同时提高检测的准确性和效率。可以利用机器学习和人工智能技术，对大量的测量数据进行分析和挖掘，发现潜在的依赖关系和模式。
-
图形化表示和集成
：图形符号能够更直观地展示PPI本体的概念和关系，方便用户理解和使用。未来将继续完善图形符号的设计，并将其集成到更多的工具和平台中。例如，可以与业务流程建模工具进行深度集成，使得在建模过程中能够直接定义和分析PPI。
通过不断地改进和完善，PPI本体将在流程绩效指标的管理和分析中发挥更加重要的作用，为企业的业务决策提供更加有力的支持。
扫一扫
1014
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
