Отримано 29.06.2022, Доопрацьовано 15.09.2022, Прийнято 10.10.2022
У статті узагальнено питання щодо підвищення ефективності, швидкості та коректності бізнеспроцесів підприємства. Основною метою статті слугувало поєднання можливості підвищення ефективності бізнес-процесів підприємства зі застосування штучного інтелекту, його методів та інструментів.Розглянуто нові подходи до прогнозування бізнес-процесів підприємства (PredictiveProcessMonitoring (PPM), що дає змогу аналізу події та поточне виконання алгоритму, з метою передбачення майбутньої поведінки запрограмованого алгоритму бізнес-процесу. PPM надає можливість розширеного інтелектуального аналізу бізнес-процесів з функціоналом прогнозування. Грунтовний аналіз літературних джерел подтвердив актуальність дослідження та виявив цілеспрямованість на застосуванні штучного інтелекту в управлінні бізнес-процесами. Широке застосування інформаційних технологій на підприємствах дозволить перейти на більш високий рівень розвитку та пришвидшити відновлення мікро та макроекономічне середовище країни. Процес злиття та поглинання підприємств буде характерним при відновленні після закінчення війни, тому саме ця методологія була запропонована авторами. Методологічним інструментарієм дослідження слугували методи: наукова абстракція, аналіз та синтез, структурно-логічний метод для формування інструментарію удосконалення бізнес-процесів підприємства, їх моніторингу з метою адаптування та корегування процесу виробництва. Об’єктом дослідження обрано бізнес-процеси підприємства, а предметом –штучний інтелект, його методи. Міждисциплінарний підхід дав змогу запропонувати рішення штучного інтелекту до бізнес-процесів підприємства. Машинне навчання виявлено як інструмент підвищення операційної ефективності за допомогою впровадження автоматизованих рішень, створення фреймворків когнітивних бізнес-технологій, які фактично мислять як люди, що позитивно вплине на продуктивність та скоротить людську працю. Доведено, що прогнозне моделювання дозволить покращити фінансові результати підприємств, збільшити дохід. Результати дослідження можуть бути використаними підприємствами України для формування стратегічної мети їх розвитку
бізнес-процес; підприємство; штучний інтелект; прогнозування; інтелектуальний аналіз; розвиток
[1] Amouzgar, F., Beheshti, A., Ghodratnama, S., Benatallah, B., Yang, J., & Sheng, Q.Z. (2018). Isheets: A spreadsheet-based machine learning development platform for data-driven process analytics. In X. Liu et al. (Eds.), Service-oriented computing – ICSOC 2018 workshops. ICSOC 2018. Lecture notes in computer science, 11434. Cham: Springer. doi: 10.1007/978-3-030-17642-6_43.
[2] Arias, M., Saavedra, R., Marques, M., Munoz-Gama, J., & Sepálveda, M. (2018). Human resource allocation in business process management and process mining. A systematic mapping study. Management Decision, 56(2), 376-405. doi: 10.1108/MD-05-2017-0476.
[3] Arias, M., Munoz-Gama, J., & Sepúlveda, M. (2017). Towards a taxonomy of human resource allocation criteria. In E. Teniente & M. Weidlich, M. (Eds.), Business process management workshops. BPM 2017. Lecture notes in business information processing, 308. Cham: Springer. doi: 10.1007/978-3-319-74030-0_37.
[4] Beheshti, A., Benatallah B., & Motahari-Nezhad, H. (2018a). Processatlas: A scalable and extensible platform for business process analytics. Software, Practice & Expierence, 48(4), 842-866. doi: 10.1002/spe.2558.
[5] Beheshti, A., Schiliro, F., Ghodratnama, S., Amouzgar, F., Benatallah, B., & Yang, J. (2018b). Iprocess: Enabling iot platforms in data-driven knowledge-intensive processes. In M. Weske, M. Montali, I. Weber & J. vom Brocke. (Eds.), Business process management workshops. BPM 2018. Lecture notes in business information processing, 329, 109-126. Cham: Springer. doi: 10.1007/978-3-319-98651-7_7.
[6] Beheshti, S., Benatallah, B., Nezhad, H., & Sakr, S. (2011). A query language for analyzing business processes execution. In S. Rinderle-Ma, F. Toumani & K. Wolf (Eds.), Business process management. BPM 2011. Lecture notes in computer science, 6896. Berlin, Heidelberg: Springer. doi: 10.1007/978-3-642-23059-2_22.
[7] Beheshti, S., Benatallah, B., Sakr, S., Grigori, D., Motahari-Nezhad, H., Barukh, M., Gater, A., & Ryu, S. (2016). Process analytics: Concepts and techniques for querying and analyzing process data. Cham: Springer.
[8] Brunk, J., Stottmeister, J., Weinzierl, S., Matzner, M., & Becker, J. (2020). Exploring the effect of context information on deep learning business process predictions. Journal of Decision Systems, 29(1), 328-343. doi: 10.1080/12460125.2020.1790183.
[9] Buijs, J., Van Dongen, B., & Van der Aalst, W. (2012). Towards cross-organizational process mining in collections of process modelsand their executions. In F. Daniel, K. Barkaoui & Dustdar, S. (Eds.), Business process management workshops. BPM 2011. Lecture notes in business information processing, 100. Berlin, Heidelberg: Springer. doi: 10.1007/978-3-642-28115-0_2.
[10] Gralla, P. (2007). How the internet works. (8th ed.). Indianapolis: Que Publishing.
[11] Hansen, L., & Nissenbaum, H. (2009). Digital disaster, cyber security, and the copenhagen school. International Studies Quarterly, 53(4), 1155-1175.
[12] Harrington, H.J. (1991a). Business process improvement - the breakthrough strategy for total quality, productivity, and competitiveness. Journal of Public Health Management and Practice JPHMP, 16(2), 104-109. doi: 10.1097/PHH.0b013e3181c65534.
[13] Harris, J.G., & Davenport, T.H. (2017). Competing on analytics, updated, with a new introduction: The new science of winning. Harvard Business School Press Books.
[14] Lupton, D., & Michael, M. (2015). Toward a manifesto for the public understanding of Big Data. Public Understanding of Science, 25, 1-13.
[15] Mayer-Schönberger, V., & Cukier, K. (2013). Big Data: A revolution that will transform how we live, work and think. Boston. New York: An Eamon Dolan B ook.
[16] Pika, A., Leyer, M., Wyn, M., Fidge, H.A., & Aalst, W. (2017). Mining resource profiles from event logs. ACM Transactions on Management Information Systems (TMIS), 8(1), 1-30. doi: 10.1145/3041218.
[17] Pika, A.,& Wynn, M. (2021). Machine learning based approach for recommending unfamiliar process activities. IEEEAcces, 9, 104969-104979. doi: 10.1109/ACCESS.2021.3096513.
[18] Polpinij, J., Ghose, A., & Dam, H. (2010). Business rules discoveryfrom process design repositories. IEEE Congress on Services, 614-620. doi: 10.1109/SERVICES.2010.73.
[19] Schiliro, F., Beheshti, A., Ghodratnama, S., Amouzgar, F., Benatallah, B., & Yang, J. (2018). Icop: Lot-enabled policing processes. In X. Liu et al. (Ed.), Service-oriented computing – ICSOC 2018 workshops. ICSOC 2018. Lecture notes in computer science, 11434. Cham: Springer. doi: 10.1007/978-3-030-17642-6_42.
[20] Sindhgatta, R., Ghose, A., & Dam, H. (2016). Context-aware recommendation of task allocations in service systems. In Q. Sheng, E. Stroulia, S. Tata & S. Bhiri (Eds.), Service-oriented computing – ICSOC 2016 workshops. ICSOC 2016. Lecture notes in computer science, 9936. Cham: Springer. doi: 10.1007/978-3-319-46295-0_25.
[21] Van Der Aalst, W. (2016). Data science in action in process mining. Berlin, Heidelberg: Springer.
[22] Van Der Aalst, W., Bichler, M., & Heinzl, A. (2018). Robotic process automation. Business & Information Systems Engineering: The International Journal of WIRTSCHAFTSINFORMATIK, 60(4), 269-272. doi: 10.1007/s12599-018-0542-4.
[23] Wolf, F., Brunk, J., & Becker, J.(2021). A framework of business process monitoring and prediction techniques. In F. Ahlemann, R. Schütte & S. Stieglitz (Eds.), Innovation through information systems. WI 2021. Lecture notes in information systems and organisation, 47. Cham: Springer. doi: 10.1007/978-3-030-86797-3_47.
[24] Zhao, X. (2011). A business process driven approach for automatic gen-eration of business applications. (PhD thesis, Queen’s University, Canada).
[25] Zhao, X., Zou, Y., Hawkins, J., & Madapusi, B. (2007). A business-process-driven approach for generating e-commerce user interfaces. In G. Engels, B. Opdyke, D.C. Schmidt & F. Weil (Eds.), Model driven engineering languages and systems. MODELS 2007. Lecture notes in computer science, 4735. Berlin, Heidelberg: Springer. doi: 10.1007/978-3-540-75209-7_18.
[26] Frolova, L.V., & Goloborodko, A.Yu. (2013). Mergers and acquisitions of enterprises. Kyiv: Kondor.
