See veebileht kasutab küpsiseid kasutaja sessiooni andmete hoidmiseks. Veebilehe kasutamisega nõustute ETISe kasutustingimustega. Loe rohkem
Olen nõus
"Institutsionaalne uurimistoetus (IUT)" projekt IUT20-55
IUT20-55 "Andmepõhine tarkvaraarenduse ja äriprotsesside juhtimine (1.01.2014−31.12.2019)", Marlon Dumas, Tartu Ülikool, Loodus- ja täppisteaduste valdkond, arvutiteaduse instituut.
IUT20-55
Andmepõhine tarkvaraarenduse ja äriprotsesside juhtimine
Data-Driven Management of Software and Business Processes
1.01.2014
31.12.2019
Teadus- ja arendusprojekt
Institutsionaalne uurimistoetus (IUT)
ETIS klassifikaatorAlamvaldkondCERCS klassifikaatorFrascati Manual’i klassifikaatorProtsent
4. Loodusteadused ja tehnika4.6. ArvutiteadusedP175 Informaatika, süsteemiteooria1.1. Matemaatika ja arvutiteadus (matemaatika ja teised sellega seotud teadused: arvutiteadus ja sellega seotud teadused (ainult tarkvaraarendus, riistvara arendus kuulub tehnikavaldkonda)100,0
PerioodSumma
01.01.2014−31.12.2014195 600,00 EUR
01.01.2015−31.12.2015195 600,00 EUR
01.01.2016−31.12.2016195 600,00 EUR
01.01.2017−31.12.2017195 600,00 EUR
01.01.2018−31.12.2018195 600,00 EUR
01.01.2019−31.12.2019195 600,00 EUR
1 173 600,00 EUR

Meeskonna eesmärgiks on andmekaeve meetodite arendamine ja rakendamine toetamaks juhte äriprotsesside ja tarkvaraarenduse protsesside kestvat parendamist puudutavate tõhusate otsuste tegemisel. Fundamentaalne hüpotees selles kontekstis on, et tõhusa otsustamise parendamiseks on vajalik selliste mudelite kättesaadavus, mis realistlikult kajastavad organisatsiooni tegelikke protsesse vastupidiselt nende protsesside osalistele vaadetele nii nagu modelleerijad on need algselt disaininud. Sellest lähtudes töötab meeskond välja meetodid loomaks, haldamaks ning analüüsimaks protsessimudeleid, mis baseeruvad logidesse ning andmebaasidesse talletatud infosüsteemide käitumisel. Eelnevaga seotud lahendamist vajavad väljakutsed on järgnevad: (i) modulaarsete ja arusaadavate protsessimudelite automaatne loomine suurtest ja keerulistest süsteemide logidest; (ii) selliste andmeteadlike reeglite automaatne avastamine, mis iseloomustavad protsesside täitmise soovitud ning mittesoovitud alamhulki.
The team aims at developing and applying data mining methods to support managers in making effective decisions with regards to continuous improvement of business processes and software development processes. The underpinning hypothesis is that effective decision making in this context is significantly enhanced by the availability of models that faithfully capture the actual processes of an organization, as opposed to partial views of such processes as perceived by modelers. Accordingly, we will develop methods to discover, maintain and analyze process models based on observed behavior recorded in event logs and organizational databases. We will address several open challenges, including automated discovery of modular and understandable process models from large and complex event logs, discovery and analysis of data quality issues, as well as discovery of data-aware rules characterizing desirable or undesirable subsets of process executions.
Töötasime välja infosüsteemidest eraldatud sündmuslogide analüüsi meetodid, mis toetavad juhte äriprotsesside pideva parendamise jaoks efektiivsete otsuste tegemisel. Näiteks koostasime parima täpsuse ja jõudlusega algoritmi protsessimudelite automaatseks sündmuslogidest tuvastamiseks. See algoritm, kasutades sisendina vaid sündmuslogis olevaid andmeid, suudab kõrge täpsusega kindlaks teha milliseid lüüse peaks protsessi mudel sisaldama. Töötasime välja ka kõige edasijõudnuma vastavuse kontrollimise algoritmi, mis kannab nimetust käitumispõhine joondamine (behavioural alignment). Selle algoritmi üldine tööpõhimõte on teisendada sündmuslogi ja protsessimudel väga tihedateks puu-laadseteks struktuurideks ning vastavuskontrolli ajal läbida mõlemad struktuurid sünkroniseeritult. Lisaks töötasime välja ennustava protsessiseire meetodid. Ennustav protsessiseire võimaldab prognoosida, mis konkreetses äriprotsessis lähiajal juhtub. Oletame, et kindlustusettevõte saab päevas 100 kahjunõuet. Mistahes ajahetkel on neil rohkem kui 1000 nõuet, mida tuleb käsitleda. Kahjukäsitluse juht soovib teada, millised nõuded lahendatakse õigel ajal (vähem kui 14 päeva jooksul pärast nõude esitamist) ja millistega jäädakse hiljaks (käsitlemisele kulub kauem kui 14 päeva). Mida varem juht teada saab, et konkreetse nõude käsitlemisega hilinetakse, seda tõenäolisemalt saab ta asjasse sekkuda ja hilinemist vältida. Antud juhul võimaldab ennustav protsessiseire kahjukäsitluse sündmuslogide põhjal prognoosida, milliste nõuete käsitlemisel tekib hilinemine ja millistega ollakse graafikus. Oleme teinud koostööd mitme Eesti ja välismaa ettevõttega ning kasutanud ennustavat protsessiseiret nende erinevate äriprobleemide lahendamiseks. Kõik meie uurimisrühma väljatöötatud algoritmid on implementeeritud prototüüpidena. Üks meie olulisemaid prototüüpe, mida oleme arendanud viimased kaheksa aastat, on äriprotsesside modelleerimise ja protsessikaeve tööriist Apromore.