How will my business process unfold? Predicting case suffixes with start and end timestamps

Abstract

Kui haigla plaanib patsientide vastuvõtte, menetleb ravikindlustusnõudeid või juhib personali, siis täidab ta sisuliselt äriprotsessi – eesmärgi saavutamiseks ellu viidavat struktureeritud ülesannete jada. Juhid küsivad sageli: millised sammud on poolelioleval juhtumil veel ees ja millal need aset leiavad? Selle teabe ette teadmine aitab organisatsioonidel plaanida töökoormust, jaotada töötajaid ja vältida kitsaskohti. Iga ülesanne, mida näiteks haiglas täidetakse, jätab digitaalse jälje IT-süsteemidesse. Kaasaegne masinõpe suudab neid ajaloolisi jälgi kasutades õppida tundma asutuse „harjumusi“ ja ennustada, kuidas pooleliolev juhtum lõpule jõuab. Seda valdkonda nimetatakse ennustavaks protsessiseireks. Täpsemalt kasutatakse selles valdkonnas juhtumi järelliidete ennustamist, et koostada täielik ajakava kõigist järelejäänud sammudest kuni juhtumi sulgemiseni. Siiani kasutatavatel meetoditel on aga neli olulist puudujääki. Esiteks aetakse segi ooteaeg (kui kaua mingi ülesanne järjekorras ootab) ja töötlemisaeg (kui palju aega selle ülesande täitmine võtab). Teiseks võivad mõned meetodid toota korduvaid või ebareaalseid ülesannete järgnevusi. Kolmandaks jäetakse tähelepanuta asjaolu, et paljud juhtumid vajavad sama piiratud tööjõudu, millest tulenevalt tekib järjekord: kui kolm juhtumit vajavad samal ajal sama spetsialisti, peavad mõned ootama. Neljandaks jäetakse kõrvale tegeliku elu piirangud, nagu vahetused, tööajad ja nädalavahetused. See lõputöö käsitleb neid nelja puudujääki nelja vastava panusega: (1) kontseptuaalne raamistik, mis eristab võimalikke ooteaegade tüüpe; (2) valimistrateegia, mis väldib korduvaid ja ebareaalseid ennustusi; (3) ennustusmeetod, mis modelleerib jagatud tööjõu konkurentsi, arvestades kõiki pooleliolevaid juhtumeid; (4) laiendus, mis arvestab tööaja piirangutega. Näiteks põhjendab mudel selgesõnaliselt, et kui kolm juhtumit vajavad korraga sama spetsialisti, peavad mõned ootama, ning ennustab, millised neist ja kui kaua. Hinnatuna reaalsetel ja simuleeritud andmetel, pakub lõputöös esitatud lähenemisviis täpsemaid ennustusi järelejäänud ülesannete järgnevuste kohta ja teeb väiksemaid ajalisi vigu kui senised tipptasemel meetodid, kusjuures suurimad edusammud ilmnevad tihedalt kasutuses olevate ressursside korral.

When a hospital schedules patient appointments, processes health insurance claims, or manages staff, it is essentially carrying out a business process, a structured sequence of tasks performed to achieve a goal. Managers often ask: which steps remain in an ongoing case, and when will they take place? Knowing this in advance helps organizations plan workloads, allocate resources, and avoid bottlenecks. Every task performed in a hospital, for example, leaves a digital trace in its IT systems. Using these historical traces, modern machine learning can learn an organization's "habits" and predict how an ongoing case will reach completion. This field is known as predictive process monitoring. Within it, case suffix prediction is used to produce a complete schedule of all remaining steps up to the closing of the case. The methods used so far, however, have four significant shortcomings. First, they conflate waiting time (how long a task sits in a queue) with processing time (how much time the task itself takes to perform). Second, some methods may produce repetitive or unrealistic sequences of tasks. Third, they overlook the fact that many cases draw on the same limited workforce, which creates queues: if three cases need the same specialist at the same time, some must wait. Fourth, they disregard real-world constraints such as shifts, working hours, and weekends. This thesis addresses these four shortcomings with four corresponding contributions: (1) a conceptual framework that distinguishes the possible types of waiting time; (2) a sampling strategy that avoids repetitive and unrealistic predictions; (3) a prediction method that models competition for a shared workforce across all ongoing cases; and (4) an extension that accounts for working-time constraints. For instance, the model reasons explicitly that when three cases need the same specialist at once, some must wait, and it predicts which ones and for how long. Evaluated on both real-life and simulated data, the approach presented in this thesis delivers more accurate predictions of the sequences of remaining tasks and makes smaller timing errors than current state-of-the-art methods, with the largest gains appearing when resources are heavily utilized.