ترجمه تخصصی بررسی فرآیندهای جامع کسب و کار

در این مقاله، یک رویکرد مبتنی بر فازی برای ارزیابی کیفیت مدل‌های BP مستقر در BPMN با تاکید بر دو ویژگی کیفی که قابل درک بودن و قابل اصلاح بودن هستند را پیشنهاد کردیم. این رویکرد مبتنی بر استاندارد ISO / IEC ۲۵۰۱۰ [۹] همراه با مجموعه‌ای از معیارهای کیفی مانند CFC، NOA و NOAJS گزارش‌شده در پیشینه تحقیقاتی کیفیت مدل BP است. به علاوه، برای تفسیر مختصر از معیارهای کیفی، رویکرد از تکنیک‌های داده مانند (درخت تصمیم‌گیری) برای تعیین آستانه هایی که مدل‌های BP با کیفیت بالا باید به دست آیند و / یا حفظ شوند استفاده می‌کند. برای مقابله با ماهیت تقریبی این آستانه در طی ارزیابی کیفیت مدل BP، ما رویکرد خود را با منطق فازی بهبود بخشیده ایم. بعلاوه، ما فرآیند ارزیابی را با یک ابزار مبتنی بر جاوا خودکار کرده ایم که مقادیر معیارهای مختلف را محاسبه می‌کند. براساس این مقادیر، سطح قابل درک بودن و قابل اصلاح بودن یک مدل BP تعیین می شود. نتایج آزمایش‌ها اولیه نشان دهنده کارایی ترکیب داده کاوی و منطق فازی برای ارزیابی بهتر کیفیت مدل BP هستند. از نظر تحقیقات آینده، ما می‌خواهیم یکپارچگی سایر معیارهای کیفی و ویژگی‌های کیفیت، مانند سازگاری و توانایی اعتماد پذیری را در رویکرد خود مورد بررسی قرار دهیم. ارائه توصیه‌های بیشتر برای مهندسین BP برای مدل‌های با کیفیت بالاتر BP هم بخشی از اهداف آینده ماست.

 

سفارش ترجمه تخصصی رشته مدیریت

 

 

کیفیت یک مدل فرآیند تجارت (BP) برای دستیابی موفقیت‌آمیز این مراحل چرخه عمر مدل حیاتی است. هرچه کیفیت بالاتر باشد، اجرا و ارزیابی این مراحل را ساده‌تر می‌کند. این مقاله به روش های متفاوتی اشاره دارد که هدف از آن بهبود کیفیت مدل BP است (۱۳، ۱۴، ۱۷). برخی از این روش ها به مهندسین BP کمک می‌کنند تا مدل‌های با کیفیت بالایی را توسعه دهند، در حالی که بقیه روش ها معیارهایی را برای ارزیابی کیفیت پیشنهاد می‌کنند. با این حال، علی‌رغم همه این اقدامات، چارچوب مشترکی برای ارزیابی کیفیت مدل BP وجود ندارد. این فقدان یک چارچوب مشترک، به دلیل عدم وجود اجماع در مورد آنچه که یک مدل "خوب" است، می‌باشد.

 

 

فرایند کسب‌وکار (BP) جنبه های مختلف یک شرکت را تحت پوشش قرار می‌دهد. تجمیع تمام این ابعاد در یک مدل با کیفیت بالا برای بقای هر شرکتی حیاتی است. در واقع چنین مدلی از فعالیت‌هایی مانند پیاده‌سازی, استقرار, اجرا و بهبود مستمر در طول چرخه عمر کوتاه BP  پشتیبانی می‌کند. یک مدل با کیفیت بالا منجر به پذیرش و مقبولیت آن مدل نزد کاربران می شود و در نتیجه مانع از برخی مشکلات مربوط به BP می‌شود که در آن فرآیندهای مدل شده و اجرا با یکدیگر هم‌راستا نیستند.

در پیشینه تحقیقاتی, ارزیابی کیفیت مدل BP با استفاده از دو رویکرد اصلی انجام شده‌است: استفاده از تکنیک‌های صحت سنجی صوری, یا ارزیابی مجموعه‌ای از معیارهای کیفی محاسبه‌شده بر روی مدل BP. روش‌های صوری پیچیدگی بالایی دارند و در نتیجه مقبول نیستند. علاوه بر این, آن‌ها هیچ تحلیل کیفی از مدل را از لحاظ پیچیدگی و ادراک ارائه نمی‌کنند.

با استفاده از یک ارزیابی کیفی از مدل‌های BP، محققان پیشنهاد کردند مجموعه‌ای از معیارها را هم بر روی مدل استاتیک (به عنوان مثال، [۱۴، ۱۷، ۲۲])، یا مدل شبیه‌سازی شده BP را محاسبه کنند (به عنوان مثال، [۸]). در این تحقیقات، چندین معیار کیفی برای ارزیابی ویژگی‌های کیفیت خاص خود مدل BP (پیچیدگی، قابلیت نگهداری، یکپارچگی و غیره) یا برای پیش‌بینی عملکرد BP (تاثیر متقابل بین BP و سیستم اطلاعاتی زیربنایی آن) استفاده می‌شود [۸]). چالش‌های اصلی در ارزیابی مبتنی بر معیارها عبارتند از: ویژگی‌های کیفی یک مدل BP کدامند؟ چگونه معیارهای کیفی را به ویژگی‌های کیفیت مرتبط کنیم؟ و چگونه نتایج معیارها را تفسیر کنیم؟

عدم توافق بر روی ویژگی‌های کیفی مدل‌های BP, ارزیابی این مدل‌ها را به چالش می‌کشد. محققین متعددی شباهت‌های بین فرآیندها و محصولات نرم‌افزاری را برای پذیرش ویژگی‌های کیفی این محصولات بررسی کرده‌اند. به طور خاص, آن‌ها هشت ویژگی کیفی تعریف‌شده در مدل کیفیت استاندارد ایزو را اتخاذ کردند. از آنجا که مدل کیفیت استاندارد ISO / IEC هیچ تکنیکی را برای ارزیابی ویژگی‌ها تعریف نمی‌کند, مطالعات مختلف معیارهای ارزیابی کیفیت مدل‌های BP را پیشنهاد می‌کنند. علاوه بر این, براساس معیارهای کیفی, برخی محققان توسعه یک چارچوب خودکار را برای ارزیابی کیفیت مدل BP پیشنهاد کردند. مانع مشترک ایجاد چنین چارچوبی, نبود اجماع در مورد مقادیر قدیمی معیارهای کیفی است که برای تفسیر/ ارزیابی کیفیت مدل BP مورد نیاز هستند.

این مقاله، که نسخه بازبینی‌شده و توسعه‌یافته مقاله ما در دوازدهمین کنفرانس بین‌المللی فن‌آوری‌های نرم‌افزار است (ICSOFT ۲۰۱۷) [۳۲]، به عدم اجماع نظر معیارهای کیفی همراه با ارزیابی آن‌ها از طریق یک رویکرد مبتنی بر منطق فازی برای ارزیابی کیفیت مدل‌های BP با تاکید بر خصوصیات قابل درک بودن و قابل اصلاح بودن می‌پردازد. انتخاب این ویژگی‌ها با توجه به درجه اهمیت آن‌ها برای تضمین اینکه یک مدل BP را میتوان‌ به راحتی پیاده‌سازی، مستقر و اجرا کرد، ضروری است. همچنین، این ویژگی‌ها زمانی اهمیت دارند که با پیشرفت مداوم BP سر و کار داشته باشند.

این روش پیشنهادی شامل دو مرحله می‌باشد: تعیین آستانه و کاربرد منطق فازی. مرحله اول شامل استخراج داده‌ها، به ویژه درخت‌های تصمیم‌گیری، برای تعیین آستانه تقریبی برای هر معیار کیفی است. این آستانه‌ها برای تفسیر سطوح قابل درک بودن یا قابل اصلاح بودن مدل‌های BP در BPMN استفاده خواهند شد [۱۰]. در این راستا، از یک منبع BP که "پایگاه‌داده‌های فرآیند کسب‌وکار مبتنی بر SOA" نامیده می‌شود، استفاده می‌کنیم که توسط تیم آزمایشگاه شگفت‌انگیز ما توسعه داده می‌شود. این مخزن شامل ۱۰۰۰ BP از سازمان‌هایی است که در بخش‌های مختلف فعالیت می‌کنند. فاز دوم از آستانه تقریبی شناسایی‌شده در فاز اول همراه با منطق فازی (۳۳) برای ارزیابی کیفیت مدل BPMN استفاده می‌کند. استفاده از منطق فازی در ارتباط با ماهیت تقریبی و غیردقیق آستانه بدست‌آمده است. در واقع، طبق گفته  لطفعلی زاده، منطق فازی در محیط های دارای "اطلاعات ناقص" به خوبی عمل می‌کند [۳۴].

رویکرد پیشنهادی در سیستمی پیاده‌سازی شده که امکان ارزیابی کیفی مدل‌ها از نظر قابل‌فهم بودن و قابل اطمینان بودن را فراهم می‌کند. برای اثبات عملکرد سیستم پیشنهادی, دو نوع آزمایش انجام شده‌است. اولی شامل دانش آموزان دانشکده اقتصاد و مدیریت است، در حالی که دومی از طریق سیستم پیشنهادی انجام می‌شود. این ارزیابی اولیه از سیستم پیشنهادی نتایج قابل قبولی را نشان می‌دهد.

این مقاله سه نوآوری مهم دارد: (۱) شناسایی آستانه تقریبی برای معیارهای کیفی مختلف برای ارزیابی کیفیت مدل‌های BP در شرایط قابل درک بودن و قابل اصلاح بودن؛ (۲) مدیریت ماهیت تقریبی و غیردقیق آستانه‌های شناسایی‌شده با استفاده از منطق فازی؛ و (ج) توسعه سیستمی که از رویکرد پیشنهادی حمایت می‌کند.

ادامه این مقاله به شرح زیر سازماندهی شده‌است: در بخش ۲ پیشینه تحقیقاتی در مورد اتخاذ معیارهای کیفی و تعریف استانه ها برای ارزیابی قابل درک بودن و قابل اصلاح بودن مدل‌های BP را خلاصه می‌کند. بخش ۳ نشان‌دهنده روش تعیین آستانه معیار است. بخش ۴ نشان می‌دهد که چگونه از منطق فازی برای پشتیبانی از ماهیت تقریبی و غیردقیق آستانه تعریف‌شده استفاده می‌کنیم. بخش ۵ سیستم توسعه‌یافته ارزیابی کیفیت مدل BP را نشان می‌دهد و به وسیله دو نوع آزمایش آن را ارزیابی می‌کند. در نهایت، بخش ۶ این مقاله را خلاصه کرده و پیشنهاداتی برای کارهای آینده ارائه می‌دهد.

تحقیقات مرتبط

ما ابتدا معیارهای کیفی مورد استفاده برای ارزیابی کیفیت مدل‌های BP را معرفی کردیم.

سپس، ما در مورد آثار ارزیابی کیفیت مدل BP بحث و تبادل نظر می‌کنیم.

2.1 معیارهای کیفی در طرح‌های تحقیقاتی مختلف معیارهای کیفی را از مهندسی نرم‌افزار برای ارزیابی کیفیت مدل‌های BP اتخاذ می‌کنند (24، 19، 5، 2).

برای شناسایی معیارهای لازم، مروری بر معیارهای کیفی موجود برای ارزیابی سطوح قابل درک بودن و قابل اصلاح بودن مدل‌های BP انجام دادیم. برای بررسی معیارهای مرتبط، پرسش‌های زیر را مطرح کردیم:

این معیار به‌صورت نظری اعتبارسنجی شده‌است یا تجربی ؟ 2. آیا تکنیکی برای محاسبه معیار وجود دارد? 3. آیا امکان محاسبه معیار برای محاسبه یک BP در BPMN وجود دارد? 4. آیا معیار مورد استفاده برای ارزیابی قابل‌فهم بودن و / یا نبودن الگوهای BP موثر است؟

در پایان این پژوهش تنها تعداد کمی از معیارها انتخاب شدند. بسیاری از معیارها اساساً با اولین سوال حذف شدند; در واقع, چندین معیار از حوزه مهندسی نرم‌افزار اقتباس شده‌اند, اما از لحاظ نظری و تجربی اعتبارسنجی نشده‌اند. علاوه بر این, برخی از معیارها به دلیل سوال سوم حذف شده بودند که با BPMN مطابقت نداشتند. معیارهای باقیمانده در زیر فهرست شده‌اند و در آن به تفصیل شرح‌داده شده‌اند.

پیچیدگی جریان کنترل (CFC) پیچیدگی ناشی از موارد زیر را اندازه‌گیری می‌کند.

XOR، OR، و AND.

کنترل

n = تعداد آرک های ارسالی. برآورد پیچیدگی فرآیند مبتنی بر توقف (HPC) طول N, حجم

V، و دشواری D که شامل فرآیند به شرح زیر هستند:

که در آن:

* ni, تعداد فعالیت‌ها, تقسیم شدن ها و پیوستن ها, و عناصر کنترل - جریان BP هستند;

N2 تعداد متغیرهای داده دستکاری توسط BP و فعالیت‌های آن است.

N۱ و N۲ به ترتیب تعداد کل عناصر و رخدادهای اطلاعاتی هستند. پیچیدگی متقابل (IC) پیچیدگی فرآیند را به صورت زیر اندازه‌گیری می‌کند:

(NOA) تعداد فعالیت‌ها (وظیفه و زیر فرآیند) یک BP را ارزیابی می‌کند. - تعداد فعالیت‌ها, ادغام و تفکیک فعالیت‌ها (NOAJES)، تعداد فعالیت‌ها, پیوستن و تفکیک یک BP. ضریب پیچیدگی شبکه (CNC) نسبت تعداد کل کمان‌ها در یک مدل فرآیند به تعداد کل گره‌ها می‌باشد. اتصال متقاطع (CC) مجموع اتصال بین همه جفت گره‌ها, نسبت به حداکثر تعداد مسیرهای بین همه گره‌ها را بیان می‌کند. - معیار کوپلینگ یا جفت شدگی, درجه جفت شدن یک فرآیند را محاسبه می‌کند. این درجه کوپلاژ به پیچیدگی ارتباطات بین وظایف و نوع این اتصالات بستگی دارد (به عنوان مثال، AND، OR و XOR). چگالی (d) نسبت تعداد کل کمان‌ها به حداکثر تعداد کمان‌ها است.

جدول ۶ - ۱ قابلیت استفاده از این معیارها را برای اندازه‌گیری قابل‌فهم بودن و / یا درک در متون نشان می‌دهد.

سفارش ترجمه تخصصی رشته مدیریت

1-2-5- ارزیابی فرآیند کسب‌وکار

علی‌رغم اهمیت مدل‌های BP برای شرکت‌ها، فقدان یک رویکرد موثر و سیستمی برای ارزیابی کیفیت مدل‌های BP احساس می شود [۲۰، ۲۴]. مرور تحقیقات پیشین نشان داد که استانداردهای ISO برای ارزیابی کیفیت و معیارهای کیفی، اصلی ترین معیارها از نظر معیارهای ارزیابی مختلف هستند. با این حال، فقدان یک معیار آستانه برای معیارهای کیفی تعریف‌شده در طی ارزیابی کیفیت مدل‌های BP به عنوان یک نگرانی باقی می‌ماند.

مانکی و همکاران [۱۱] ابزاری را برای ارزیابی کیفیت مدل‌های BP با استفاده از پیچیدگی، جفت شدگی و معیارهای کیفی انسجام موجود پیشنهاد کردند. با این حال، مولفان بر شناسایی آستانه‌ها به عنوان ابزار پیشنهادی تمرکز نکردند، زیرا ابزار پیشنهادی، ارزیابی براساس آستانه معرفی‌شده توسط کاربر برای معیارهای مختلف را تضمین می‌کنند.

سانچز - گنزالس و همکاران از روش بندر [1][۱] برای شناسایی آستانه برای برخی معیارهای کیفی استفاده می‌کنند [۲۲]. روش بندر امکان ارزیابی ریسک کمی در مطالعات اپیدمیولوژیک بر مبنای مدل رگرسیون لجستیک را فراهم می‌کند. این روش دو محدودیت اصلی دارد: (۱) مدل رگرسیون لجستیک نیاز به یک متغیر باینری دارد و (۲) این مدل نیاز به تعریف احتمال PO دارد، که برای محاسبه مقدار یک سطح ریسک قابل‌قبول استفاده می‌شود. روش بندر نیز در [۲۵] برای تعیین آستانه برای واحد CFC مورد استفاده قرار گرفت. در [۲۳] همان نویسندگان آزمایشی را انجام می‌دهند تا مقادیر آستانه برای معیارهای پیچیدگی دروازه را تعیین کنند و برای ارزیابی قابل درک بودن و قابل اصلاح بودن از مدل‌های BP استفاده شوند. نویسندگان همچنین یک نشانه پیچیدگی درگاه (GCI) را که براساس مقادیر آستانه شناسایی‌شده برای معیارهای پیچیدگی درگاه انتخاب شده‌اند، پیشنهاد می‌کنند.

مندلینگ و همکاران روشی برای پیش‌بینی خطاها در مدل‌های BP پیشنهاد دادند [۱۴].رویکرد پیشنهادی در این تحقیق از مجموعه‌ای از معیارهای کیفی برای ارزیابی کیفیت مدل‌های BP استفاده می‌کند. نویسندگان از رگرسیون لجستیک [۱] و ROC [۷] برای تعیین آستانه برای معیارهای مربوطه استفاده می‌کنند.

سادوسکا یک مدل متا را برای ارزیابی کیفیت مدل‌های فرآیند BPMN ۲.۰ پیشنهاد کرد [۲۰]. این مدل متا در استاندارد ISO / IEC ۲۵۰۱۰ ساخته شده‌است (۹). برای ارزیابی ویژگی‌های کیفی مختلف، مولف از مجموعه‌ای از معیارهای کیفی مانند CFC و چگالی استفاده می‌کند. علاوه بر این، او از منبع BP در ۵۷ BP در BPMN به همراه روش K - means برای طبقه‌بندی مقادیر ممکن معیارهای کیفی به ۴ خوشه استفاده کرد. براساس معیارهای کیفی استفاده‌شده و خوشه‌های معین، مولف سیستمی را پیشنهاد می‌کند که از ارزیابی کیفیت مدل‌های BP پشتیبانی می‌کند.

مرور پیشینه تحقیقاتی ما فقدان توافق در مورد مقادیر آستانه برای ارزیابی کیفیت مدل‌های BP را آشکار می‌سازد. این یکی از مهم‌ترین موانع توسعه یک سیستم موثر در حمایت از ارزیابی کیفی مدل‌های BP است.

4- تعیین آستانه‌های معیارهای کیفی

ما رویکرد خود را برای برآورد آستانه ارزیابی کیفیت مدل BP در شرایط قابل اصلاح بودن و قابل درک بودن به تفصیل شرح می‌دهیم. این رویکرد مبتنی بر روش های داده کاوی برای مثال درخت تصمیم‌گیری است. برای انجام این روش ها، چهار مرحله لازم است: جمع‌آوری داده‌ها برای ایجاد مخزن داده‌ها، آماده‌سازی داده‌ها برای ایجاد مجموعه داده‌های آموزشی و تست، استخراج داده‌ها برای ایجاد یک درخت تصمیم‌گیری، و در نهایت اعتبار سنجی برای ارزیابی عملکرد درخت تصمیم‌گیری به دست آمده.

جمع‌آوری داده‌ها به عنوان بخشی از دستور کار آزمایشگاه ما قرار داشته و ما "پایگاه‌داده‌های فرآیند کسب‌وکار مبتنی بر SOA" را با جمع‌آوری حدود ۱۰۰۰ BP  که متعلق به موسسات مختلف هستند ایجاد کردیم، این پایگاه داده باید تضمین کند که رویکرد ما کلی و قابل عمومیت بخشی است (به عنوان مثال، موسسات آکادمیک، شرکت‌های تجاری، مراکز بهداشتی، و بانک‌ها). به علاوه، از هر نوع سازمان، ما BP  های مختلف را مورد بررسی قرار دادیم؛ برای مثال، در موسسات دانشگاهی، ما ثبت‌نام دانشجویان، آماده‌سازی آزمون، تهیه برنامه، و غیره مورد بررسی قرار گرفتیم.

پس از جمع‌آوری داده‌ها, فرآیندها را همراه با اساتید طراحی بخش IT دانشگاه تهران مورد بررسی قرار دادیم. هدف دسته‌بندی این فرآیندها براساس چگونگی درک و اصلاح آن‌ها است. برای این منظور, ما خود را به چهار گروه تقسیم کردیم. هر گروه فرایندها را بررسی می‌کرد. سپس یک فرآیند اعتبارسنجی متقابل بین گروه‌های مختلف انجام شد. در نهایت, خنثی بودن پایگاه‌داده فرآیند کسب‌وکار مبتنی بر SOA را به سه سطح قابل‌فهم بودن (قابل درک، نسبتا دشوار و کاملا دشوار) و سه سطح قابل اصلاح بودن (اصلاح آسان, نسبتاً مشکل, و بسیار مشکل) سازماندهی کردیم.

1-2- آماده‌سازی داده‌ها

برای آماده‌سازی داده‌ها برای مراحل بعدی, ما دو ماتریس براساس " پایگاه‌داده فرآیند کسب‌وکار مبتنی بر SOA " ساختیم. اولی به داده‌های قابل‌فهم بودن اختصاص‌داده شده‌است, در حالی که دومی به داده‌ها اختصاص دارد. هر ردیف در یک ماتریس نشان‌دهنده یک جفت باز در پایگاه‌داده است و هر ستون نشان‌دهنده یک معیار کیفی در میان معیارهای کیفی شناخته‌شده برای اندازه‌گیری قابل‌فهم و قابل‌فهم بودن (sect.. آخرین ستون هر ماتریس نشان‌دهنده سطوح بالای قابل‌فهم بودن و قابل‌فهم بودن است.

ما از این ماتریس‌ها برای ایجاد دو پایگاه اطلاعاتی از هر ماتریس استفاده کردیم: یکی برای یادگیری شناخته‌شده به عنوان "پایگاه‌داده آموزشی" و یکی برای آزمایش شناخته‌شده به عنوان "پایگاه‌داده آزمایش". پایگاه‌داده آموزشی "شامل ۷۰ درصد از فرایندها در پایگاه‌داده است، و" پایگاه‌داده آزمون " شامل بقیه داده ها (30 % می باشد).

۳.۳ داده کاوی

ما از درخت‌های تصمیم‌گیری برای استخراج آستانه برای معیارهای کیفی از پایگاه‌داده فرآیند کسب‌وکار مبتنی بر SOA استفاده کردیم. برای جزییات بیشتر در مورد درخت‌های تصمیم‌گیری، خوانندگان به [۱۸، ۲۱] ارجاع داده می‌شوند.

برای ایجاد درخت‌های تصمیم‌گیری مورد نیاز (برای قابل درک بودن و قابل اصلاح بودن)، از سیستم WEKA استفاده کردیم که به عنوان یک سیستم نقطه عطف در داده کاوی و یادگیری ماشین شناخته می‌شود (۶). WEKA از چندین الگوریتم برای ساخت درخت‌های تصمیم‌گیری مانند J48، درخت AD و REPTree پشتیبانی می‌کند. در این تحقیق، ما ابتدا از همه الگوریتم ارایه‌شده استفاده کردیم، و سپس بهترین الگوریتم را براساس مرحله اعتبار سنجی (به عنوان مثال به ازای نرخ خطای پایین‌تر) انتخاب کردیم (بخش ۱). ۳.۴).

 

3.4 اعتبارسنجی

در این مقاله چندین روش ممکن برای ارزیابی کیفیت یک مدل پیش بینی پیشنهاد شده‌است. ما از: دقت (۶)، بازیابی (۷)، معیار f (۸)، و نرخ خطای کلی (۹) استفاده کردیم. در ادامه، ما الگوریتمهای‌ J48، ADTree و REPTree را مورد بحث قرار می‌دهیم که به دلیل مقادیر قابل‌قبول آن‌ها از نسبت‌های مورد استفاده انتخاب شده‌اند.

اعتبارسنجی آموزش مبتنی بر پایگاه‌داده

ابتدا، ما این نسبت‌ها را پس از آزمایش درخت‌های تصمیم‌گیری حاصل‌شده (به عنوان مثال، قابل درک بودن و قابل اصلاح بودن) در پایگاه‌داده آموزش محاسبه می‌کنیم. جداول ۲ و ۳ به ترتیب، مقادیر نسبت‌های مختلف برای سه الگوریتم برای هر درخت تصمیم‌گیری را نشان می‌دهند. این جدول نشان می‌دهد که الگوریتم J48 بهترین مقادیر دقت، بازیابی، F - اندازه‌گیری، و نرخ‌های خطای کلی برای هر دو قابل درک بودن و قابل اصلاح بودن را می‌دهد.

جدول ۲ نشان می‌دهد که نتایج بسیار قابل قبولی با J48 برای ارزیابی کارایی مدل‌های BP بدست آمده است: مقادیر دقت، بازیابی و F ۹۷.۳ % و نرخ خطای کلی ۲.۷ % است. به طور مشابه جدول ۳ نشان می‌دهد که J48 نیز می‌تواند برای ارزیابی عملکرد مدل‌های BP به عنوان مقادیر دقت، بازیابی و معیار f به کار رود در حالی که نرخ خطای کلی ۳.۸ درصد است. با این حال، برای اثبات اثربخشی درخت‌های تصمیم‌گیری مطرح‌شده، باید از پایگاه‌داده دیگری مانند "پایگاه‌داده آزمایش" استفاده کنیم.

جدول ۲ - ۶ J48 در مقابل ADTree در مقابل REPTree برای قابل درک بودن درخت تصمیم گیری

جدول 3 - ۶ J48 در مقابل ADTree در مقابل REPTree برای قابل اصلاح بودن درخت تصمیم گیری

- اعتبار سنجی مبتنی بر پایگاه‌داده آزمایش

برای ارزیابی عملکرد درخت‌های تصمیم‌گیری مطرح‌شده و انتخاب مناسب‌ترین الگوریتم در میان آن‌هایی که توسط WEKA ارایه شده‌اند، درخت‌های بدست‌آمده با استفاده از "پایگاه‌داده آزمون" را مورد ارزیابی قرار دادیم. در این مرحله، ما هر درخت تصمیم‌گیری را به تمامی سطوح "پایگاه‌داده آزمون" برای ارزیابی سطوح قابل درک بودن و قابل اصلاح بودن هر فرآیند اعمال می‌کنیم. این ارزیابی مستقل از ارزیابی‌های انجام‌شده توسط متخصصان انجام شده‌است. هدف مقایسه قضاوت کارشناسان با درخت‌های ارزیابی به‌دست‌آمده و از این رو شناسایی میزان خطا درخت‌های تصمیم‌گیری ما است.

جداول ۴ و ۵ مقادیر چهار نسبت مورد استفاده برای ارزیابی عملکرد درخت‌های تصمیم‌گیری پیشنهادی بر اساس قابل درک بودن و قابل اصلاح بودن را فهرست می‌کنند. این جدول‌ها نشان می‌دهند که ما نتایج بسیار قابل قبولی با استفاده از "پایگاه‌داده آزمون" و "J48" به دست آوردیم. در واقع، مقادیر دقت این است: ۹۶.۹ % برای درخت قابل درک بودن و ۹۴.۳ % برای درخت قابل اصلاح بودن. مقادیر بازیابی و معیار f عبارتند از: ۹۶.۷ % برای قابل درک بودن و ۹۴ % برای قابل اصلاح بودن. در نهایت، نرخ خطای کلی ۳.۳ درصد برای درخت قابل درک بودن و ۶ % برای درخت قابل اصلاح بودن است.

جدول ۴. J48 درمقابل ADTree در مقابل REPTree برای قابل درک بودن درخت تصمیم‌گیری [۳۲].

 

 

جدول 5. J48 درمقابل ADTree در مقابل REPTree برای قابل اصلاح بودن درخت تصمیم‌گیری [۳۲].

 

سفارش ترجمه تخصصی رشته مدیریت
 

 

 

3.5 بحث

درخت تصمیم‌گیری برای طبقه‌بندی BP های پایگاه‌داده فرآیند کسب‌وکار مبتنی بر SOA " براساس سطح خود از قابل درک بودن (درخت تصمیم‌گیری اول) و قابل اصلاح بودن (درخت تصمیم‌گیری ثانویه) استفاده می‌شود. براساس این درخت‌های تصمیم‌گیری, ما برخی از قوانین تصمیم‌گیری را به همراه آستانه معیارهای کیفی مختلف برای ارزیابی هر دو معیار قابل درک بودن و قابل اصلاح بودن یک مدل BP تعریف کردیم.

1. ارزیابی میزان قابل‌فهم بودن

جدول ۶، آستانه‌های شناسایی‌شده و تفسیرهای آن‌ها را نشان می‌دهد. این تفسیرها توسط اعضای تیم تحقیقاتی ما انجام می‌شوند. با این حال، آستانه‌های شناسایی‌شده معمولاً تقریبی و غیر دقیق هستند زیرا به قضاوت کارشناسان در حین مرحله اول بستگی دارند. ۳.۱). در بخش بعدی، استفاده از منطق فازی برای مدیریت این آستانه تقریبی و غیر دقیق را به تفصیل شرح می‌دهیم.

جدول ۷ یک نمونه استخراج از قوانین تصمیم‌گیری را نشان می‌دهد که سطح قابل درک بودن براساس مقادیر معیارهای کیفی را تعیین می‌کند.

 ۲. ارزیابی سطح قابل اصلاح بودن

جدول 8 آستانه‌های شناسایی‌شده و تفاسیر آن‌ها را نشان می‌دهد که توسط اعضای تیم تحقیقاتی ما تعیین می‌شوند. همانند مورد قابل‌فهم بودن, آستانه‌های شناسایی‌شده تقریبی و نادقیق هستند. ما برای مقابله با این ماهیت تقریبی و نادقیق آستانه, از منطق فازی استفاده می‌کنیم.

جدول 9 یک نمونه استخراج از قوانین تصمیم‌گیری را نشان می‌دهد که براساس مقادیر معیارهای کیفی, سطح قابل اصلاح بودن را تعیین می‌کنند.

جدول ۶.  آستانه ها برای ارزیابی قابل درک بودن.

 

4. منطق فازی برای ارزیابی کیفیت فرآیند کسب‌وکار - ارزیابی

در این مقاله، ما از منطق فازی همراه با آستانه‌های شناسایی‌شده برای ارزیابی کیفیت مدل‌های BP استفاده می‌کنیم. منطق فازی برای استفاده از مقادیر تقریبی و غیردقیق مانند آن‌هایی که برای استانه های معیارهای کیفی ارائه شد، کاملا مناسب است. کاربرد منطق فازی در سه مرحله صورت می‌گیرد: فازی سازی، استنتاج، و غیر فازی سازی. فازی سازی براساس مجموعه‌ای از توابع عضویت است که مقادیر قطعی معیارهای کیفی را به مقادیر زبانی تبدیل می‌کند (به عنوان مثال، کم، متوسط، زیاد) که به عنوان مجموعه‌های فازی شناخته می‌شود. این استنتاج از مجموعه‌ای از قواعد تصمیم فازی برای ارزیابی کیفیت مدل‌های BP استفاده می‌کند. در نهایت، گام غیر فازی سازی یک نتیجه قابل‌اندازه‌گیری (مقدار واضح) را تولید می‌کند. در ادامه این بخش، ما استفاده از منطق فازی برای ارزیابی کیفیت مدل‌های BP را به تفصیل شرح می‌دهیم.

 

4.1 فازی سازی

فازی سازی مقادیر قطعی متغیرهای ورودی (یعنی معیارهای کیفی) را به مجموعه‌های فازی (یعنی ارزش‌های زبانی) تبدیل می‌کند. این تبدیل به کمک مجموعه‌ای که در جدول ۷ نشان داده شده‌است، انجام می شود. متخصصین قوانین تصمیم‌گیری برای ارزیابی سطح قابل درک بودن ارائه کرده اند[32].

 

جدول 7 - قوانین تصمیم گیری متخصصین برای ارزیابی سطح قابل درک بودن (32)

	قوانین تصمیم گیری
R1	اگر IC <12 ، آنگاه درک آسان است
R2	اگر IC <17 باشد و IC> 12 و CNC <1.26 آنگاه درک آسان است
R3	اگر IC <17 و IC> 12 و CNC> 1.26 و CFC <3 آنگاه درک نسبتا دشوار می شود

 

 

جدول 8 - آستانه ارزیابی قابل اصلاح بودن.

 

جدول 9 - قوانین تصمیم گیری متخصصین برای ارزیابی سطح قابل اصلاح بودن (32)

	قوانین تصمیم گیری
R1	اگر CFC <9 و HPC-V <53 و NOA <6 آنگاه اصلاح آسان است
R2	اگر HPC-V <53 و NOA> 6 و CFC <3 و NOA <12 تغییر دهید  و CP <0.077  آنگاه اصلاح آسان است
R3	ا اگر NOA <26 و CFC> 3 و NOA> 12 HPC_V <14  آنگاه اصلاح نسبتا دشوار می شود

 

 

 

سپس تعدیل توابع عضویت که ما براساس آستانه تقریبی مشخص شده تعریف کردیم  بسیار دشوار است (بخش 3.5.) ما یک تابع عضویت را برای هر مجموعه فازی ممکن برای هر معیار کیفی تعریف کردیم (بخش 3.5.)

 

 

شکل ۱. تعریف تابع عضویت (۳۲).

در بخش اول, مقادیر a و b نشان‌دهنده آستانه‌های تقریبی تعیین‌شده از طریق استفاده از درخت‌های تصمیم و مجموعه‌های فازی است که با فواصل مختلف توسط متخصصان تعیین می‌شوند (به عنوان مثال., کم, متوسط و زیاد). در این شکل, هر مقدار یک معیار کیفی تنها می‌تواند متعلق به یک مجموعه فازی منفرد با درجه عضویت مختلط باشد. این حالت زمانی درست است که آستانه‌های ثابت دقیق و قطعی باشند. با این حال, از آنجاییکه آستانه‌های تعریف‌شده در این مقاله اینگونه نیستند, در نتیجه ما از توابع عضویت استفاده می‌کنیم

بخش دوم مربوط به مرحله فازی سازی است. مقادیر a', a'', b' و b'' توسط متخصصان برای هر معیار کیفی تعریف می‌شوند. هر مقدار در [a', a''] و [b', b'') به دو مجموعه فازی با درجات عضویت متفاوت تعلق دارند. برای مثال, مقدار " q " به دو مجموعه فازی " پایین " و " متوسط " با درجه عضویت " c1 " و " x2 " تعلق دارد.

4.2 استنتاج: استنتاج مبتنی بر مجموعه‌ای از قواعد تصمیم‌گیری فازی است که در یک زبان طبیعی نوشته شده‌است و بر طبق روش نحو خاص " اگر x a و / y باشد آنگاه z است که در آن x و y متغیرهای ورودی هستند, z یک متغیر خروجی است و a, b, c مقادیر زبانی متناظر آن‌ها هستند. ما قواعد تصمیم‌گیری فازی را تعریف کردیم تا سطوح قابل‌فهم بودن و قابل اصلاح بودن یک مدل BP مبتنی بر مجموعه‌ای از معیارهای کیفی را تعیین کنیم. ما قوانین تصمیم‌گیری فازی مورد نیاز را براساس قوانین به‌دست‌آمده از درخت تصمیم‌گیری تعریف کردیم (بخش 3.5). برای این منظور, ما مقادیر قطعی را با مقادیر زبانی متناظر آن‌ها جایگزین کردیم و قوانین را براساس نحو مورد نیاز منطق فازی بازنویسی کردیم. تعداد کل قوانین تصمیم فازی تعریف‌شده, قواعد فازی برای ارزیابی قابل‌فهم بودن و قابلیت اصلاح است. جداول 10 و 11 به ترتیب یک نمونه استخراج از قوانین تصمیم‌گیری فازی تعریف‌شده برای قابل‌فهم بودن و قابل‌فهم بودن را نشان می‌دهند.

جدول 10. قوانین تصمیم‌گیری فازی متخصصین برای ارزیابی سطح قابل‌فهم بودن (32).

	قوانین تصمیم گیری فازی
FR1	اگر IC کمتر از سطح قابل فهم است آنگاه درک آن آسان است
FR2	اگر IC در حد متوسط باشد و CNC پایین تر از سطح قابل فهم است ، درک آن آسان است
FR3	اگر IC IC متوسط و CNC متوسط و CNC پایین باشد و CFC از لحاظ قابل فهم بودن نسبتاً دشوار است

 

 

 

جدول 11. قوانین تصمیم‌گیری فازی متخصصین برای ارزیابی سطح قابل‌فهم بودن (32).

	قوانین تصمیم گیری فازی
FR1	اگر CFC  متوسط باشد و HPC_V متوسط باشد و NOA بسیار پایین باشد، آنگاه سطح اصلاح پذیری آن برابر با اصلاح پذیری آسان خواهد بود
FR2	اگر HPC_V متوسط باشد و NOA بسیار پایین باشد و CFC پایین باشد و CP  متوسط باشد آنگاه سطح اصلاح پذیری آن برابر با اصلاح پذیری آسان خواهد بود
FR3	اگر HPC_V بالا باشد و CFC کم باشد و NOA پایین باشد و CP کم باشد، آنگاه سطح اصلاح پذیری برابر با اصلاح پذیری نسبتاً دشوار است

 

 

4.3 غیر فازی سازی

غیر فازی سازی فرایندی است که مقادیر فازی متغیر خروجی (یعنی، قابل درک بودن یا قابل اصلاح بودن) را که توسط موتور استنتاج به دست می‌آید، به یک مقدار قطعی تبدیل می‌کند. برای انجام این کار، خروجی‌های فازی تمامی قواعد تصمیم فازی فعال شده به یک مجموعه فازی تبدیل می شوند که به یک مقدار قطعی تبدیل خواهد شد.

در پیشینه تحقیقاتی چندین تکنیک غیر فازی سازی مانند: مرکز ثقل (بکار گرفته‌شده در این تحقیق)، میانگین مرکزی و حداکثر به کار گرفته شده اند. برای ر.ش مرکز گرانش، مقدار قطعی متغیر خروجی با استفاده از فرمول زیر محاسبه می‌شود:

(۱۰) Juu(y)dy  که در آن u جهان گفتمان است که تمامی مقادیر خروجی را مطابق با قوانین تصمیم‌گیری فازی فعال در نظر می‌گیرد.

غیر فازی سازی سطح قابل درک بودن یا قابل اصلاح بودن یک مدل BP و همچنین درجه قطعیت این سطح را تعیین می‌کند. برای مثال، یک مدل BP را میتوان‌ با درجه قطعیت ۷۰ % درک کرد.

معادله (18 - 2)             * = JU 9 * 4(g) du

۵ توسعه سیستم: BP - Qual fuzz

این بخش سیستم پیشنهادی و ارزیابی تجربی مرتبط با آن را معرفی می‌کند.

۵.۱ ساختار

ما سیستمی به نام BP - FuISQual را برای ارزیابی کیفیت مدل‌های BP توسعه دادیم. این نرم‌افزار با استفاده از کتابخانه جاوا با jdom و تحت چارچوب eclipse تهیه شده‌است. ساختار عملکردی BP - FuISQual  در شکل 2 نشان داده شده است. یک ویدئو کامل مراحل مختلف ارزیابی کیفیت BP با استفاده از سیستم پیشنهادی را نشان می دهد.

واحدهای BP - FuISQual در ادامه شرح داده می‌شوند:

تجزیه کننده[2]: به عنوان ورودی یک مدل BP در BPMN استفاده می‌شود و مقادیر قطعی هر کدام از معیارهای کیفی مورد استفاده برای برآورد قابل درک بودن یا قابل اصلاح بودن یک مدل BP تعیین می‌کند. کنترل فازی: در زبان کنترل فازی (fcl) اجرا می‌شود که از استاندارد IEC1131, اولین استاندارد بین‌المللی برای نرم‌افزار کنترل فرآیند پیروی می‌کند. fcl شامل چهار بخش است: رابط بلوکی تابع, فازی سازی, بلوک قاعده و غیر فازی سازی. fcl همچنین اجازه تعریف یک جز اختیاری پنجم به نام پارامترهای اختیاری را می‌دهد. استفاده از چهار مولفه مورد نیاز به شرح زیر است:

* رابط بلوک تابع: مجموعه ورودی و خروجی را در صورت لزوم همانند متغیرهای محلی تعریف می‌کند;

سفارش ترجمه تخصصی رشته مدیریت
 

شکل 2. ساختار عملکردی BP (32)

*: تعیین مجموعه‌ای از توابع عضویت برای هر معیار کیفی. ۴). براساس این توابع، فازی سازی مقادیر قطعی معیار کیفی را به ارزش‌های زبانی تبدیل می‌کند که به وسیله موتور استنتاج مورد استفاده قرار خواهند گرفت.

* بلوک قانون: شامل مجموعه‌ای از قوانین تصمیم‌گیری فازی است که کیفیت مدل BP را برآورد می‌کنند (بخش 4.2). غیر فازی سازی: ارزش زبانی متغیر خروجی را به مقادیر قطعی تبدیل می‌کند. مثل هر بخش. سیستم پیشنهادی از روش مرکز ثقل برای انجام این تبدیل استفاده می‌کند. تصمیم‌گیرنده: برنامه محدودکننده را اجرا می‌کند تا کیفیت مدل BP را برآورد کند. این ماژول به عنوان ورودی مقادیر قطعی تولید شده توسط ماژول تجزیه‌کننده و ارتباط آن‌ها با ماژول کنترل فازی است. ماژول تصمیم‌گیرنده با استفاده از زبان جاوا توسعه می‌یابد.

5.2 آزمایش تجربی

ما دو مجموعه آزمایش انجام دادیم. اولین مجموعه شامل دانش آموزان ناشناس از دانشکده ما بود و دومی با استفاده از BP - FuISQual انجام شد. این آزمایش‌ها توسط منابع اضافی که در زیر لیست شده‌اند، پشتیبانی می‌شوند:

برای تجزیه و تحلیل داده‌ها از نرم‌افزار SPSS استفاده شد. در این مدل از برچسب‌های انتزاعی در وظایف و مخازن استفاده می‌کنیم تا از پیچیدگی‌های موجود در حوزه کسب‌وکار جلوگیری کنیم. شرکت کنندگان: آزمایش‌ها با هم‌کاری افرادی انجام می‌شود که عمدتاً دانشجویان دانشکده هستند. در واقع, ما دانش آموزان علوم کامپیوتر, دانش آموزان کارشناسی‌ارشد, اساتید حرفه‌ای و لیسانس های علوم پایه در علوم کامپیوتر در طی این آزمایش‌ها درگیر کردیم. - سازگاری: شرکت کنندگان باید به مجموعه‌ای از سوالات چند گزینه‌ای پاسخ دهند تا ببینند آیا آن‌ها مدل BP را درک می‌کنند یا خیر. در پایان این تمرین, هر شرکت‌کننده باید یک سطح قابل‌فهم بودن را برای این مدل از سه سطح احتمالی انتخاب کند: درک آسان, درک متوسط و درک مشکل. روش مورد استفاده در وبسایت زیر در دسترس است: (https://sites.google.com/site/bposcteam2015/ressources) شرکت کنندگان باید تغییراتی را در مدل BP نشان دهند که در شکل ۱ نشان‌داده شده‌است. در واقع, آن‌ها باید فعالیت‌ها, رویدادها و درگاه ها را حذف یا اضافه کنند. در پایان این تمرین, هر شرکت‌کننده باید سطح دشواری را برای اصلاح مدل در میان سه سطح احتمالی انتخاب کند: اصلاح آن آسان، نسبتا مشکل یا مشکل است. این روش در وبسایت زیر دسترس است: (https://sites.google.com/site/bposcteam2015/ressources)

شکل ۳. مثال مدل BP در BPMN [۳۲].

آزمایش ۱. شکل ۴ نشان‌دهنده تعداد پاسخ‌های صحیح و نادرست برای اولین تمرین است. در این شکل ۷۸ % پاسخ‌ها صحیح هستند و نشان می‌دهند که اکثر دانش آموزان مدل BP را درک کرده‌اند. این امر همچنین از طریق واکنش‌های آن‌ها به آخرین سوال از اولین روش، که در مورد توانایی آن‌ها برای درک مدل BP است، تایید می‌شود. در واقع، همانطور که در شکل ۵ نشان‌داده‌شده، ۷۶ % از دانش آموزان، مدل BP را تا حد متوسط دشوار می‌دانند، ۱۴ % به راحتی آن را درک کردند و ۱۰ % آن را دشوار قلمداد نمودند.

شکل ۶ نشان‌دهنده تعداد پاسخ‌های صحیح و نادرست برای دومین تمرین است. در این شکل ۶۹ درصد پاسخ‌ها صحیح هستند و نشان می‌دهند که اکثر دانش آموزان به درستی مدل BP را اصلاح کرده‌اند. علاوه بر این، همانطور که در شکل ۷ نشان‌داده شده‌است، ۵۳ % از دانش آموزان، مدل BP را نسبتاً دشوار در مقابل تغییرات، ۳۳ % دشوار برای اصلاح شدن، و ۱۴ % به راحتی قابل تغییر در نظر گرفتند. آزمایش ۲. از مدل BPMN2 برای طراحی مدل BP و همچنین ابزار ما برای تخمین سطوح قابل درک بودن و قابل اصلاح بودن مدل BP که در شکل ۳ نشان‌داده شده‌است استفاده می‌کند.

 

شکل ۴. پاسخ‌های صحیح و نادرست برای ارزیابی قابل درک بودن [۳۲].

 

 

 

شکل 5. قضاوت دانشجویان درباره قابل‌فهم بودن مدل BP (32).

 

شکل ۶. پاسخ‌های صحیح و نادرست برای ارزیابی قابل اصلاح بودن [۳۲].

برای مثال, میزان قابل‌فهم بودن مدل BP در مدل BP " با درجه اطمینان ۹۵ % " بسیار مشکل است. شکل شماره ۲ رابط را برای ارزیابی قابل‌فهم بودن نشان می‌دهد.

 

شکل ۷. دانش آموزان در مورد مدل BP در سطح قابل اصلاح بودن قضاوت می‌کنند [۳۲].

 

شکل ۸. رابط ارزیابی قابل درک بودن [۳۲].

به عنوان مثال، میزان برآورد شده از مدل BP در شکل ۳ "بسیار دشوار است که با درجه قطعیت ۱۰۰ % اصلاح شود". شکل ۹ رابط مخصوص ارزیابی قابل اصلاح بودن را نشان می‌دهد.

برای جمع‌بندی, آزمایش‌ها نشان می‌دهد که دانش آموزان مدل BP را نسبتاً مشکل می‌دانند; این امر با پاسخ آن‌ها به سوالات قابل‌فهم بودن ثابت شده‌است. این در راستای ارزیابی انجام‌شده توسط BP FuzzQual است که مدل BP را تا حدی دشوار می‌داند. به همین ترتیب, در خصوص اصلاح پذیری, دانشجویان مدل BP را به صورت زیر در نظر می‌گیرند:

ارزیابی کیفیت

 

شکل ۹. رابط ارزیابی قابل اصلاح بودن [۳۲].

اصلاح مدل در حول و حوش مشکل و نسبتاً مشکل است، اما BP-FuzzQual معتقد است که اصلاح مدل BP تا حدی دشوار است. به طور کلی, این نتایج منطبق نشان می‌دهند که روش ما نتایج رضایت بخشی تولید می‌کند که باید از طریق آزمایش‌های تکمیلی کارایی آن اثبات شود.

 

 

---

[1] Bender

[2] Parser