多级流程是一种复杂的流程,其中包含具有多对多关系的实体,例如:采购到付款(P2P)和订单到现金(O2C)。传统的流程挖掘技术无法解决此类复杂业务流程中存在的典型问题——数据发散和收敛问题。
您可以利用多级流程立即发现一个实体中的活动如何给另一个实体的流程带来瓶颈和偏差,因此,有了多级流程,您就永远不必担心您为了解决了采购效率低下的问题而实施的变更会导致开票效率低下,出现得不偿失的情况。
我们继续来探讨多级流程。
端到端业务流程通常由多个流程和应用组成。请想想 SAP 中的采购到付款流程。从请购到发票的整个过程涉及四个不同但存在关联的流程:
- 请购
- 订购
- 收货
- 发票
一张发票可能与多项请购、订购和货物相关,因此,一个用例可以将多个请购、订购和收货流程实例组合到一个发票流程实例之中。
IBM Process Mining 能够通过多级流程将这四个流程中的多个实例组合到一个用例中。 从业务角度来看,这恰好能满足您的需求:您想要将与一张发票关联的所有请购或订购归入一个用例。
接下来,我们举一个简单的例子。
我们通过两份不同的请购单向一家供应商订购了四件货物。
采购部门负责处理这些请购单并创建一份订单,每行代表一件货物。
随后,仓库收到四件货物并其登记在一张收货单上,每行代表一件货物。
几天后,会计部门收到并登记发票,然后进行付款。
如果采用多级流程,这些事件均与一个用例相关联,因为它们共用一张发票。
这样我们就能得到正确的统计数据:当我们计算成本时,我们只需计算一次发票成本即可。
如果未采用多级流程,那么,每次请购都会产生一个用例,对应一张发票。显然,这种统计方法是错误的,因为我们会将发票成本计算四次。
更重要的是,多级流程可创建一个准确的模型,我们可以从中模拟某个子流程发生的变化,并衡量这些变化对其他子流程的影响。提高请购/订购的效率可能会导致发票环节出现新瓶颈,而我们可以发现这些瓶颈。如果未采用多级流程,我们就无法能进行这样的检测,因为我们只能在子流程之间建立一对一的关系。
我们来看看 IBM Process Mining 中的一个简单示例。
我们从 SAP P2P 数据集中提取并简化了与发票 3018000116_2018_IT10 对应的一个案例相关的多个事件。
您可以下载此 CSV 文件,然后将其加载到 IBM Process Mining 中。请确保映射以下 4 列:Req_ID, PO_ID, MatDoc_ID, and Invoice_ID to 'Process ID'。
您可以获得该流程模型,它能够清晰显示正确的子流程实例数量。
在流程挖掘项目设置中,我们已经说明,这些活动的成本为 20 美元(简化),然后,我们可以看到成本视图并确信有效成本准确无误,因为我们仅计算了一次发票成本。
我们可以使用分析功能计算用例的总成本、总订单金额和总发票金额。这样,我们就能获得正确的统计数据。
如果没有多级流程功能会怎样?
好,我们再来看同一个用例,假设 IBM Process Mining 不具有多级流程功能。
这样,我们就需要添加一个 caseID 列,作为每个子流程组合的唯一识别号。如上所述,我们必须将每张发票与每个请购/订购/货物组合相关联,这会导致数据重复。文件在这里。您应当创建一个新项目,仅映射 CaseID 字段。
模拟频率视图会显示这一结果,同时出现四张发票,和我们预期的错误结果一样。
通过查看成本视图得到的成本不正确,因为与发票相关的每项活动都被计算了四次。
因此,仪表板会显示错误的统计数据,因为与每张发票相关的数据都会被乘以 4。
可见,我们确实可以通过这种强大的多级流程能力正确地模拟端到端业务中涉及的多个流程。
在发现流程及变体,分析成本,绘制统计数据以及在模拟中使用数字孪生技术时均可利用多级流程能力。
>>>阅读原文
好文章,需要你的鼓励
Snap 推出 Lens Studio 的 iOS 应用和网页工具,让所有技能层次的用户都能通过文字提示和简单编辑,轻松创建 AR 镜头,包括生成 AI 效果和集成 Bitmoji,从而普及 AR 创作,并持续为专业应用提供支持。
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。