Prescriptive process monitoring under uncertainty and resource constraints

Abstract

Ülikooli vastuvõtuosakond vaatab läbi taotlejate dokumendid, teeb vastuvõtuotsused koos komisjonidega ja edastab tulemused taotlejatele – sammud tudengite vastuvõtmise äriprotsessis. Kuigi paljud taotlused edenevad tõrgeteta, tekib osadega viivitusi vigade või puuduvate dokumentide tõttu. Sarnased probleemid esinevad ka teistes protsessides, nagu näiteks pangalaenu kinnitamine või veebis toodete tagastamine. Masinõpe võimaldab probleemide, nagu puuduvad dokumendid või toote tagastamine, ennustamist enne nende tekkimist. Kuid need ennustused on kasulikud vaid siis, kui neile järgnevad tegevused, nimetusega „sekkumised“, soovimatute tulemuste vältimiseks. Näiteks, kui süsteem ennustab et laenutaotleja lükkab pakkumise tagasi, siis võiks süsteem lisaks soovitada sekkumist, näiteks isikupärastatud pakkumise tegemist, et tõsta pakkumise vastuvõtmise võimalikkust. Antud juhul võib lihtne lähenemine käivitada sekkumise, kui tagasilükkamise tõenäosus ületab näiteks 80%, kuid sellega kaasneb kolm piirangut: (1) sekkumine võib olla ebatõhus kui taotleja keeldub pangast mitteolenevate tegurite tõttu; (2) kõrge määramatusega ennustusi võiks pigem eirata; (3) täiendavate pakkumiste saatmine nõuab aega ja ressursse, piirates pakkumiste koguarvu. Selles doktoritöös väidame, et ennustustelt sekkumistele liikumisel peab arvestama järgmiste teguritega: Kas sekkumine on vajalik? Kas see on tõhus? Kas see on kiireloomuline või edasilükatav? Kas me suudame sekkuda? Ja kui kindlad me oleme selle vajaduses, tõhususes ja kiireloomulisuses? Sekkumiste käivitamiseks pakume välja kolm masinõppele tuginevat meetodit: esimene käsitleb ennustuste määramatust, teine võimaldab kasutajatel arvestades kõigi teguritega vastavaid reegleid määrata, ja kolmas õpib automaatselt selgeks parima sekkumisstrateegia ilma eelnevalt määratletud reegliteta. Reaalseid andmeid kasutades näitame, et need meetodid võimaldavad tõhusamaid määramatuse- ja ressursiteadlikke sekkumisi, mis aitavad äriprotsesse optimeerida.A university admissions team reviews applicants' documents, collaborates with committees to decide on acceptances, and communicates results—steps in the student admission business process. While some applications proceed smoothly, others face delays due to missing documents or errors. Similar issues occur in business processes like bank loan approvals or online product returns. Advances in machine learning can predict issues, such as missing documents or product returns, before they occur. Yet, these predictions are only useful if followed by actions, called "interventions," to prevent undesired outcomes. For example, if a system predicts a loan applicant will reject an offer, it might recommend an intervention, such as sending a personalized offer, to increase acceptance chances. In this example, a simple approach might trigger interventions when the rejection probability exceeds 80%, but this has three limitations: (1) The intervention may be ineffective if the applicant rejects the loan due to factors beyond the bank's control, such as high interest. (2) Predictions come with uncertainty, and it may be better to ignore highly uncertain ones. (3) Sending personalized offers requires time and resources, limiting how many can be sent daily. In this PhD thesis, we argue that a method to turn predictions into interventions needs to consider the following factors: Is the intervention needed? Will it be effective? Is it urgent, or can it be delayed? Do we have the capacity to perform it? And how uncertain are we about its need, effectiveness, and urgency? We propose three machine learning-based methods for triggering interventions: the first addresses prediction uncertainty, the second considers all factors, allowing users to set rules, and the third automatically learns the best intervention strategy without predefined rules. Using real-world data, we show that these methods allow more effective, uncertainty- and resource-aware interventions, optimizing business processes.