Optimization of Activity Batching Policies in Business Processes

Abstract

Many business processes group similar tasks into batches to reduce costs and improve efficiency. Batching allows managers to trade off cost and processing effort against waiting time. Larger and less frequent batches can reduce effort by amortizing fixed costs, but they increase waiting times. Conversely, smaller and more frequent batches minimize waiting times but lead to higher processing effort and increased fixed costs. A batching policy defines how tasks are grouped and when each group is executed. This thesis addresses the problem of discovering batching policies that achieve the best balance between waiting time, processing effort, and cost. It proposes a Pareto optimization approach that begins with a given set (possibly empty) of batching policies and generates alternatives using intervention heuristics. Each heuristic identifies an opportunity to improve a policy with respect to a specific metric (e.g., waiting time or resource utilization) and suggests an adjustment. The effects of these interventions are evaluated via simulation. The intervention heuristics are embedded into optimization meta-heuristics — hill climbing, simulated annealing, and reinforcement learning — that iteratively refine the Pareto front of discovered solutions. An experimental evaluation compares the heuristic-driven approach to non-guided baselines, assessing convergence, diversity, and cycle time improvements. The result is a set of optimized batching strategies that present different trade-offs between speed, cost, and resource usage — empowering decision-makers to select the policy that best fits their operational needs. Additionally, a graphical user interface was developed to facilitate intuitive access to the optimizer software and improve the readability of the results. Paljud äriprotsessid rühmitavad sarnaseid ülesandeid rühmitamise teel, et vähendada kulusid ja tõsta tõhusust. Rühmitamine võimaldab juhtidel tasakaalustada kulusid ja töötlemiskulusid ooteajaga. Suuremad ja harvemad rühmitamised aitavad vähendada kulusid, amortiseerides fikseeritud kulusid, kuid pikendavad ooteaega. Vastupidi, väiksemad ja sagedasemad rühmitamised minimeerivad ooteaega, kuid suurendavad töötlemiskulusid ja fikseeritud kulusid. Rühmitamispoliitika määrab, kuidas ülesandeid grupeeritakse ja millal iga grupp viiakse läbi. See lõputöö käsitleb rühmitamispoliitika avastamise probleemi, mis saavutavad parima tasakaalu ooteaja, töötlemiskulude ja kulude vahel. Töö pakub Pareto-optimeerimise lähenemist, mis algab antud (või tühja) rühmitamispoliitikate kogumiga ja genereerib alternatiive sekkumisheuristikate abil. Iga heuristik tuvastab võimaluse poliitika parandamiseks konkreetse mõõdiku (nt ooteaeg või ressursside kasutus) osas ning soovitab vastava kohanduse. Nende sekkumiste mõju hinnatakse simulatsiooni kaudu. Sekkumisheuristikad on integreeritud optimeerimise meta­heuristikatesse — hill climbing, simulated annealing ja reinforcement learning —, mis iteratiivselt täiustavad leitud lahenduste Pareto-fronti. Eksperimentaalne võrdlus hindab heuristikapõhise lähenemise ja juhendamata baasjoonte konvergentsi, mitmekesisust ja tsükliaja paranemist. Tulemuseks on optimeeritud rühmitamisstrateegiate kogum, mis esitab erinevaid kompromisse kiiruse, kulude ja ressursside kasutamise vahel — võimaldades otsustajatel valida just oma operatsiooniliste vajadustega parima poliitika. Lisaks töötati välja graafiline kasutajaliides, mis võimaldab intuitiivset ligipääsu optimeerimistarkvarale ja parandab tulemuste loetavust.