Tìm Hiểu Giải Thuật Tìm Kiếm Cộng Đồng Trong Mạng Xã Hội

Chuyên khảo toán học phân tích Tìm hiểu một số giải thuật tìm kiếm cộng đồ ng trong mạng xã hội và áp dụ ng vào bài toán khai phá, đánh giá các khía cạnh quan trọng, đề xuất hướng

• Tác giả: Nguyễn Thị Hồng Hạnh
• Người hướng dẫn: PGS.TS Nguyễn Trí Thành
• Trường học: Đại học Quốc gia Hà Nội
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Nghiên Cứu Giải Thuật Tìm Kiếm Cộng Đồng Trong Mạng Xã Hội
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2016
• Địa điểm: Hà Nội

Tóm tắt

I. Giải Thuật Tìm Kiếm Cộng Đồng Trong Mạng Xã Hội Tổng Quan

Trong kỷ nguyên số, mạng xã hội đã trở thành một phần không thể thiếu trong cuộc sống. Việc nghiên cứu và áp dụng giải thuật tìm kiếm cộng đồng trong mạng xã hội là vô cùng quan trọng. Bài toán tìm kiếm cộng đồng hướng đến việc xác định các nhóm người dùng có sự tương đồng, liên kết chặt chẽ. Các giải thuật này giúp chúng ta hiểu rõ hơn về cấu trúc, động lực và hành vi của người dùng trong mạng xã hội, từ đó mở ra nhiều ứng dụng tiềm năng trong các lĩnh vực khác nhau. Các kỹ thuật khai phá mạng xã hội giúp phát hiện mạng xã hội giữa các phòng ban, cá nhân tham gia quy trình kinh doanh từ nhật ký sự kiện. Phân tích mối quan hệ này giúp nhà quản lý có cái nhìn chính xác về quy trình hiện có. Trong mô hình MXH, các đỉnh đại diện cho phòng, đơn vị, con người, và cạnh biểu diễn mối quan hệ giữa các đỉnh.

1.1. Khái niệm và vai trò của thuật toán tìm kiếm cộng đồng

Các thuật toán tìm kiếm cộng đồng đóng vai trò quan trọng trong việc phân tích và hiểu cấu trúc của mạng xã hội. Nó không chỉ giúp xác định các nhóm người dùng có liên kết chặt chẽ mà còn hỗ trợ trong việc khám phá các mối quan hệ ẩn, xu hướng và mô hình tương tác. Điều này đặc biệt hữu ích trong việc định hình chiến lược marketing, phát hiện các cộng đồng có ảnh hưởng lớn và phân tích hành vi người dùng. Theo tài liệu nghiên cứu, việc phân tích và đánh giá những mối quan hệ này giúp nhà quản lý có cái nhìn chính xác về các quy trình hiện có trong tổ chức.

1.2. Ứng dụng thực tiễn của thuật toán tìm kiếm cộng đồng

Các ứng dụng của thuật toán tìm kiếm cộng đồng trải rộng trên nhiều lĩnh vực. Trong lĩnh vực marketing, nó được sử dụng để xác định các phân khúc khách hàng mục tiêu và tối ưu hóa chiến dịch quảng cáo. Trong lĩnh vực an ninh mạng, nó giúp phát hiện các nhóm hoạt động đáng ngờ và ngăn chặn các cuộc tấn công. Trong lĩnh vực khoa học xã hội, nó được sử dụng để nghiên cứu các mô hình tương tác và động lực xã hội. Ví dụ, trong lĩnh vực khai phá quy trình (KPQT), Kỹ thuật này giúp phát hiện ra các mô hình chưa được biết đến trước đó, các mô hình này sẽ được dùng vào mục đích phân tích hoặc tối ưu hóa.

II. Thách Thức Bài Toán Giải Thuật Tìm Kiếm Cộng Đồng MXH

Dù có nhiều tiềm năng, việc áp dụng giải thuật tìm kiếm cộng đồng trong mạng xã hội cũng đối mặt với không ít thách thức. Một trong số đó là vấn đề về khả năng mở rộng, khi các thuật toán phải xử lý lượng dữ liệu khổng lồ từ hàng triệu, thậm chí hàng tỷ người dùng. Ngoài ra, tính phức tạp của cấu trúc mạng xã hội, với nhiều loại quan hệ khác nhau và sự thay đổi liên tục theo thời gian, cũng đòi hỏi các thuật toán phải linh hoạt và hiệu quả hơn. Vấn đề chồng chéo nhiệm vụ giữa những người tham gia vào quy trình là một thách thức mang tính thời sự. Hậu quả của vấn đề này mang lại thiệt hại về kinh tế và quy trình kinh doanh hoạt động kém thông suốt. Với doanh nghiệp quy mô lớn, mô hình MXH sẽ kích thước lớn bao gồm nhiều đỉnh và mật độ kết nối giữa các đỉnh dày đặc.

2.1. Vấn đề về khả năng mở rộng và hiệu suất thuật toán

Khả năng mở rộng là một yếu tố then chốt khi triển khai giải thuật tìm kiếm cộng đồng trên các mạng xã hội lớn. Các thuật toán truyền thống thường gặp khó khăn trong việc xử lý lượng dữ liệu khổng lồ và cấu trúc phức tạp của mạng xã hội, dẫn đến thời gian xử lý kéo dài và tiêu tốn nhiều tài nguyên. Do đó, việc phát triển các thuật toán có khả năng mở rộng cao, có thể xử lý dữ liệu lớn một cách hiệu quả, là một yêu cầu cấp thiết. Ví dụ: Với một doanh nghiệp quy mô lớn, mô hình MXH sẽ kích thước lớn bao gồm nhiều đỉnh và mật độ kết nối giữa các đỉnh dày đặc.

2.2. Xử lý nhiễu và thông tin sai lệch trong dữ liệu

Dữ liệu từ mạng xã hội thường chứa nhiều nhiễu và thông tin sai lệch, có thể ảnh hưởng đến độ chính xác của giải thuật tìm kiếm cộng đồng. Các nguồn nhiễu có thể bao gồm các tài khoản giả mạo, spam, tin đồn và thông tin sai lệch. Việc xử lý các nguồn nhiễu này là rất quan trọng để đảm bảo rằng các cộng đồng được phát hiện là chính xác và đáng tin cậy. Các phương pháp làm sạch dữ liệu, kiểm tra tính xác thực của thông tin và phát hiện các mẫu bất thường có thể được sử dụng để giảm thiểu tác động của nhiễu và thông tin sai lệch.

III. Phương Pháp Tìm Kiếm Cộng Đồng Hiệu Quả Trong MXH

Để giải quyết các thách thức trên, nhiều phương pháp tìm kiếm cộng đồng đã được phát triển và áp dụng. Các phương pháp này bao gồm cả các thuật toán truyền thống như thuật toán phân cụm, thuật toán dựa trên đồ thị, và các thuật toán hiện đại như thuật toán học sâu, thuật toán dựa trên mạng nơ-ron. Mỗi phương pháp có những ưu điểm và nhược điểm riêng, phù hợp với các loại mạng xã hội và ứng dụng khác nhau. Trong đó, khai phá mạng xã hội bao gồm những kỹ thuật khai phá được sử dụng rộng rãi, cho phép phát hiện ra mạng xã hội (MXH) giữa những phòng, đơn vị, cá nhân tham gia vào quy trình kinh doanh từ nhật ký sự kiện. Việc phân tích và đánh giá những mối quan hệ này giúp nhà quản lý có cái nhìn chính xác về các quy trình hiện có trong tổ chức của họ.

3.1. Thuật toán phân cụm và ứng dụng

Các thuật toán phân cụm (clustering algorithms) là một trong những phương pháp phổ biến nhất để tìm kiếm cộng đồng trong mạng xã hội. Các thuật toán này cố gắng nhóm các nút (người dùng) có đặc điểm tương đồng vào cùng một cụm, dựa trên các tiêu chí như mối quan hệ, hành vi, hoặc sở thích. Các thuật toán phân cụm phổ biến bao gồm K-means, hierarchical clustering, và DBSCAN. Ưu điểm của các thuật toán này là đơn giản, dễ hiểu và dễ triển khai. Tuy nhiên, chúng có thể gặp khó khăn trong việc xử lý các mạng xã hội phức tạp với nhiều loại quan hệ và cấu trúc không rõ ràng.

3.2. Thuật toán dựa trên đồ thị Graph based algorithms

Các thuật toán dựa trên đồ thị (graph-based algorithms) tận dụng cấu trúc đồ thị của mạng xã hội để tìm kiếm cộng đồng. Các thuật toán này thường sử dụng các độ đo như độ trung tâm (centrality), độ gắn kết (cohesion), và modularity để xác định các cộng đồng. Các thuật toán dựa trên đồ thị phổ biến bao gồm Louvain algorithm, Girvan-Newman algorithm, và Label Propagation algorithm. Ưu điểm của các thuật toán này là có thể phát hiện các cộng đồng có cấu trúc phức tạp và linh hoạt. Tuy nhiên, chúng có thể đòi hỏi nhiều tài nguyên tính toán hơn so với các thuật toán phân cụm.

IV. Ứng Dụng Thuật Toán Tìm Kiếm Cộng Đồng vào Khai Phá Quy Trình

Áp dụng thuật toán tìm kiếm cộng đồng vào bài toán khai phá quy trình là một hướng đi đầy tiềm năng. Thông qua việc xác định các nhóm người dùng hoặc bộ phận có liên kết chặt chẽ trong quá trình thực hiện quy trình, chúng ta có thể hiểu rõ hơn về cách thức quy trình được thực hiện, các điểm nghẽn, và các cơ hội cải tiến. Ví dụ, có thể sử dụng các kỹ thuật của KCTC để phát hiện mô hình MXH từ tập nhật ký sự kiện. Sau đó, sử dụng giải thuật tìm kiếm cộng đồng chồng chéo để tìm ra các cộng đồng có cấu trúc chồng chéo. Hiệu quả của đề xuất này là giúp đơn giản hóa cấu trúc mạng tức là chia một mạng có kích thước lớn thành các mạng có kích thước nhỏ và sự kết nối chặt chẽ hơn [7].

4.1. Phân tích mạng xã hội trong quy trình làm việc

Việc phân tích mạng xã hội trong quy trình làm việc giúp chúng ta hiểu rõ hơn về cách thức các cá nhân và bộ phận tương tác với nhau trong quá trình thực hiện quy trình. Thông qua việc xác định các mối quan hệ, luồng thông tin, và vai trò của từng thành viên, chúng ta có thể phát hiện các điểm nghẽn, các kênh giao tiếp không hiệu quả, và các cơ hội cải tiến. Phân tích mạng xã hội cũng giúp chúng ta đánh giá hiệu quả của quy trình và xác định các thành viên có ảnh hưởng lớn đến hiệu suất của quy trình. Trong mô hình MXH, các đỉnh đại diện cho phòng, đơn vị hay con người, mối quan hệ giữa các đỉnh được biểu diễn dưới dạng cạnh.

4.2. Tối ưu hóa quy trình dựa trên kết quả tìm kiếm cộng đồng

Kết quả tìm kiếm cộng đồng có thể được sử dụng để tối ưu hóa quy trình làm việc theo nhiều cách khác nhau. Ví dụ, chúng ta có thể sử dụng thông tin về các nhóm người dùng hoặc bộ phận có liên kết chặt chẽ để phân công công việc hiệu quả hơn, cải thiện luồng thông tin, và giảm thiểu thời gian chờ đợi. Chúng ta cũng có thể sử dụng thông tin về các điểm nghẽn và các kênh giao tiếp không hiệu quả để thiết kế lại quy trình và cải thiện hiệu suất tổng thể. Từ đó, các HTTT trở lên liên quan mật thiết hơn với các quy trình kinh doanh mà chúng hỗ trợ.

V. Kết Quả Nghiên Cứu và Đánh Giá Thuật Toán Tìm Kiếm Cộng Đồng

Nhiều nghiên cứu đã được thực hiện để đánh giá hiệu quả của các thuật toán tìm kiếm cộng đồng trong các mạng xã hội khác nhau. Các nghiên cứu này thường sử dụng các bộ dữ liệu thực tế và các độ đo hiệu suất như độ chính xác, độ phủ, và thời gian xử lý để so sánh các thuật toán. Kết quả cho thấy rằng không có một thuật toán nào là tốt nhất cho tất cả các trường hợp, và hiệu suất của thuật toán phụ thuộc vào loại mạng xã hội, đặc điểm của dữ liệu, và mục tiêu của ứng dụng. Kết quả của quá trình này tìm ra các cộng đồng cạnh có cấu trúc phân cấp, tương ứng là cộng đồng đỉnh có cấu trúc chồng chéo.

5.1. Các tiêu chí đánh giá hiệu suất thuật toán

Để đánh giá hiệu suất của thuật toán tìm kiếm cộng đồng, cần sử dụng các tiêu chí phù hợp. Các tiêu chí phổ biến bao gồm: độ chính xác (precision), độ phủ (recall), F1-score, modularity, và thời gian xử lý. Độ chính xác đo lường tỷ lệ các cộng đồng được phát hiện là chính xác. Độ phủ đo lường tỷ lệ các cộng đồng thực tế được phát hiện. F1-score là trung bình điều hòa của độ chính xác và độ phủ. Modularity đo lường chất lượng của cấu trúc cộng đồng được phát hiện. Thời gian xử lý đo lường thời gian cần thiết để thuật toán hoàn thành việc tìm kiếm cộng đồng.

5.2. So sánh hiệu suất của các thuật toán khác nhau

Nghiên cứu về so sánh hiệu suất của các thuật toán tìm kiếm cộng đồng khác nhau cho thấy rằng hiệu suất của thuật toán phụ thuộc vào nhiều yếu tố. Các yếu tố này bao gồm: loại mạng xã hội, đặc điểm của dữ liệu, và mục tiêu của ứng dụng. Ví dụ, một số thuật toán có thể hoạt động tốt trên các mạng xã hội nhỏ và dày đặc, trong khi các thuật toán khác có thể hoạt động tốt hơn trên các mạng xã hội lớn và thưa thớt. Do đó, việc lựa chọn thuật toán phù hợp là rất quan trọng để đạt được kết quả tốt nhất.

VI. Tương Lai Hướng Phát Triển Nghiên Cứu Thuật Toán Tìm Kiếm

Lĩnh vực nghiên cứu về giải thuật tìm kiếm cộng đồng trong mạng xã hội vẫn còn nhiều tiềm năng phát triển. Các hướng nghiên cứu trong tương lai có thể tập trung vào việc phát triển các thuật toán có khả năng mở rộng cao, có thể xử lý dữ liệu lớn và cấu trúc phức tạp của mạng xã hội. Bên cạnh đó, việc tích hợp các kỹ thuật học sâu và trí tuệ nhân tạo vào các thuật toán tìm kiếm cộng đồng cũng là một hướng đi đầy hứa hẹn. Tác giả sẽ lựa chọn giải thuật tìm kiếm cộng đồng chồng chéo sẽ áp dụng vào bài toán KPQT. Phân tích chi tiết giải thuật Phân vùng theo cạnh của nhóm tác giả Ahn et al.

6.1. Phát triển thuật toán tìm kiếm cộng đồng có khả năng mở rộng

Một trong những thách thức lớn nhất trong lĩnh vực tìm kiếm cộng đồng là phát triển các thuật toán có khả năng mở rộng cao, có thể xử lý dữ liệu lớn và cấu trúc phức tạp của mạng xã hội. Các thuật toán truyền thống thường gặp khó khăn trong việc xử lý lượng dữ liệu khổng lồ và cấu trúc phức tạp của mạng xã hội, dẫn đến thời gian xử lý kéo dài và tiêu tốn nhiều tài nguyên. Do đó, việc phát triển các thuật toán có khả năng mở rộng cao, có thể xử lý dữ liệu lớn một cách hiệu quả, là một yêu cầu cấp thiết.

6.2. Tích hợp học sâu và trí tuệ nhân tạo vào thuật toán

Việc tích hợp các kỹ thuật học sâu và trí tuệ nhân tạo vào các thuật toán tìm kiếm cộng đồng là một hướng đi đầy hứa hẹn. Các kỹ thuật học sâu có thể được sử dụng để học các biểu diễn phức tạp của mạng xã hội và cải thiện khả năng phát hiện cộng đồng. Các kỹ thuật trí tuệ nhân tạo có thể được sử dụng để tự động điều chỉnh các tham số của thuật toán và tối ưu hóa hiệu suất. Quá trình này bao gồm các kỹ thuật, công cụ và phương thức để phát hiện, giám sát, cải thiện các quy trình trong thực tế [36].

Trích đoạn nội dung tài liệu

phần mở đầu, bốn chƣơng nội dung, phần kết luận và phƣơng phát triển tƣơng lai, danh mục tài liệu tham khảo. Tổng quan về KPQT: Giới thiệu tổng quan về KPQT, trong đó trình bày chi tiết các vấn đề liên quan đến khía cạnh tổ chức và phân tích phƣơng pháp phát hiện MXH từ nhật ký sự kiện. Phần chính của Chƣơng này là phát biểu bài toán cần xử lý và đƣa ra phƣơng pháp giải quyết. Từ đó, có những nhận định về ý nghĩa thực tiễn, ý nghĩa khoa học của luận văn.

Các giải thuật tìm kiếm cộng đồng trong MXH: Giới thiệu các loại giải thuật tìm kiếm và đặc biệt là các giải thuật tìm kiếm cộng đồng chồng chéo. Sau đó, Tác giả sẽ lựa chọn giải thuật tìm kiếm cộng đồng chồng chéo sẽ áp dụng vào bài toán KPQT. Phân tích chi tiết giải thuật Phân vùng theo cạnh của nhóm tác giả Ahn et al. Áp dụng các giải thuật tìm kiếm cộng đồng vào bài toán KPQT: Đề xuất mô hình giải quyết bài toán và đƣa ra định dạng dữ liệu đầu vào các độ đo đƣợc sử dụng trong mô hình.

Phân tích chi tiết các bƣớc thực hiện trong mô hình. Kết quả của quá trình này tìm ra các cộng đồng cạnh có cấu trúc phân cấp, tƣơng ứng là cộng đồng đỉnh có cấu trúc chồng chéo. Kết quả thực nghiệm và đánh giá: Đƣa ra các yêu cầu về dữ liệu, phần cứng, phần mềm và mã nguồn cần thiết để xây dựng chƣơng trình thực nghiệm theo mô hình đề xuất. Dựa trên bảng số liệu thu đƣợc sau khi chạy chƣơng trình với các tệp dữ liệu dùng làm mẫu thử nghiệm, tác giả sẽ sử dụng các tiêu chuẩn và độ đo để phân tích chi tiết các thông số trong bảng.

Từ đó, đánh giá các kết quả thu đƣợc dựa vào sự phân tích này.TỔNG QUAN VỀ KHAI PHÁ QUY TRÌNH 1.1 Khai phá quy trình Ngày nay, câu nói “khách hàng là thượng đế” đã trở nên quen thuộc đối với các doanh nghiệp, bởi khách hàng là ngƣời trả tiền cho các sản phẩm, dịch vụ của họ. Hầu hết, doanh nhân của mọi quốc gia trên thế giới đều nhận thức đầy đủ về tầm quan trọng của khách hàng và họ luôn cố gắng phục vụ khách hàng chu đáo nhất. Thực tế cho thấy, nhu cầu và mong muốn của khách hàng thƣờng xuyên thay đổi. Điều này đã tác động rất lớn đến các doanh nghiệp, tạo ra một thị trƣờng cạnh tranh, tất cả họ đều có chung một mục đích là đáp ứng tốt nhất những yêu cầu thay đổi thƣờng xuyên này.

Đây là là một thách thức lớn nhất mà mỗi doanh nghiệp hàng ngày phải đối mặt. Do đó, để có thể cạnh tranh thuận lợi, các doanh nghiệp cần phải nghiên cứu, thay đổi và cải tiến quy trình kinh doanh phù hợp với thực tế. Kinh doanh thông minh (Business intelligence) là một hƣớng nghiên cứu quan trọng, trong đó có sử dụng dữ liệu đƣợc lƣu trữ trong các hệ thống thông tin (HTTT). Sự xuất hiện “nền kinh tế số” đã làm thay đổi hai vấn đề là quá trình điều hành kinh doanh và đánh giá hiệu suất công việc.

Hầu hết, các doanh nghiệp có quy mô lớn đều sử dụng các HTTT để hỗ trợ toàn hộ hay một phần của quy trình kinh doanh. Dữ liệu sinh ra từ quá trình này đƣợc lƣu lại gọi là nhật ký sự kiện. Các hệ thống ERP, WFM, CRM, SCM, B2B đều là kết quả của sự cải tiến công nghệ và quá trình kinh doanh trong thực tế. Ngày nay, các HTTT trở lên liên quan mật thiết hơn với các quy trình kinh doanh mà chúng hỗ trợ.

Một quy trình kinh doanh giúp điều hành hiệu quả các lĩnh vực quản lý hậu cần, quản lý bán hàng, quản lý nhân lực,. Sự gia tăng các hệ thống lƣu trữ thông tin giúp quy trình kinh doanh đạt hiệu quả, hỗ trợ khả năng truy nhập và phân tích dữ liệu. Việc trích lọc ra các thông tin có giá trị nhằm cải thiện khả năng ra quyết định và mô hình quy trình vẫn là một vấn đề đƣợc các doanh nghiệp quan tâm. Thực tế, việc tràn ngập các thông tin đã gây ra áp lực, thách thức lớn trong việc trích lọc ra những thông tin có giá trị.

KPQT giúp trích lọc và phân tích dữ liệu để tìm ra mối liên quan giữa những đối tƣợng dữ liệu. Ý tƣởng KPQT đƣợc các nhà khoa học Cook và Wolf đã nghiên cứu các từ năm 1998. Sau đó, Herbst và Karagianis cũng đƣa các vấn đề KPQT trong nội dung liên quan quản lý luồng công việc. Trong hội thảo về kinh doanh thông minh, KPQT cũng đƣợc các nhà khoa học đề cập trong các nội dung quản lý kinh doanh.

Những đóng góp lớn tới lĩnh vực này đã đƣợc thêm vào sau bởi Wil M. Van der Aalst và các cộng sự. Nhóm nghiên cứu đã đƣa ra các thuật toán khai phá đỉnh cao và sự thêm đa dạng các chủ đề liên quan tới các thách thức 10 trong các quy trình kinh doanh. Do vậy, các nhà khoa học và ngƣời nghiên cứu lĩnh vực này có thể dễ sử dụng nhiều phƣơng pháp và công cụ có sẵn.

Quản lý quy trình kinh doanh là một lĩnh vực kết nối giữa tri thức công nghệ thông tin và khoa học quản lý, áp dụng những tri thức này vào quá trình điều hành kinh doanh [1]. Những năm gần đây, KPQT đã nổi lên và trở thành lĩnh vực nghiên cứu đầy tiềm năng, là lĩnh vực “một mặt nằm giữa thông minh điện toán và khai phá dữ liệu, mặt khác nằm giữa mô hình và phân tích quy trình […] Giúp phát hiện, giám sát và cải thiện các quy trình thực bằng cách trích lọc tri thức từ các nhật ký sự kiện” [1] đƣợc lƣu trong các HTTT. KPQT là một khái niệm bao gồm tất cả các phƣơng pháp trích xuất các mô hình quy trình có cấu trúc từ một tập các công việc trong thực tế [8]. Cụ thể, các kỹ thuật này giúp trích lọc các thông tin có giá trị và liên quan đến quy trình từ các tập nhật ký sự kiện.

Tuy nhiên, các tổ chức gặp phải các vấn đề về giá trị trích lọc từ những dữ liệu này [28].1 Tổng quan về KPQT 1.1 Sự cần thiết của KPQT: - Trực quan hóa quy trình kinh doanh bằng mô hình: Tất cả những hoạt động trong công ty nếu nhìn bằng mắt thƣờng chỉ là cái nhìn chủ quan, nó không phản ánh đƣợc bản chất sâu bên trong của từng hoạt động. Vì vậy, KPQT sẽ giúp các doanh nghiệp thấy rõ các hoạt động, sự tƣơng tác, thời điểm xảy ra các hoạt động trong nội bộ của họ. - Hỗ trợ ra quyết định: Những mô tả hoạt động của doanh nghiệp trên giấy có thể khác xa so với thực tế, tùy theo từng nhà quản lý có thể nhìn thấy hoặc không nhìn thấy vấn đề này. Kết quả là một loạt các đơn vị chức năng hoạt động yếu kém do không đáp ứng đƣợc yêu cầu, đòi hỏi từ thực tế.

KPQT tìm ra những tồn tại, hạn chế trong hoạt động kinh doanh một cách nhanh chóng, giúp nhà quản lý có thể ra quyết định chính xác trong các công việc.2 Quá trình phát hiện mô hình quy trình từ nhật ký sự kiện Hình 1.2 cho thấy dữ liệu hoạt động của doanh nghiệp sẽ đƣợc lƣu lại trong các HTTT, áp dụng các kỹ thuật KPQT để trích xuất ra các thông tin có giá trị hay mô hình quy trình. - Tạo ra sự khách quan, giảm thiểu rủi ro: Nhà quản lý có thể có những ý kiến chủ quan cũng nhƣ có sự thiên vị hay kỳ vọng quá mức về một vấn đề nào đó. Những sai lệch này dẫn đến một loạt các cuộc họp gây lãng phí thời gian, tiền bạc và tạo ra sự mâu thuẫn nội bộ. Kết quả của những phƣơng án giải quyết có thể không phù hợp với thực tế.

KPQT giúp các doanh nghiệp có cơ sở tin tƣởng những giải pháp cho những vấn đề phức tạp của doanh nghiệp.2 Mục tiêu của KPQT: Mục tiêu chính của KPQT là phát hiện, phân tích và hiểu các quy trình kinh doanh dựa trên các bản ghi các hoạt động tại thời một thời điểm xác định, thông tin này đƣợc lƣu trong các tập nhật ký sự kiện. KPQT giúp trích lọc các thông tin liên quan, phát hiện ra mô hình quy trình mới từ các dữ liệu sự kiện, đƣợc lƣu trong các HTTT lớn [1]. Quá trình này bao gồm các kỹ thuật, công cụ và phƣơng thức để phát hiện, giám sát, cải thiện các quy trình trong thực tế [36].3 Mô hình quy trình và nhật ký sự kiện: a) Mô hình quy trình (MHQT): Trong bối cảnh khoa học HTTT, một mô hình là đại diện phi vật chất của thế giới thực, đƣợc sử dụng cho một mục đích cụ thể [31]. Các mô hình đƣợc sử dụng để làm giảm độ phức tạp bằng cách biểu diễn những đặc trƣng đƣợc quan tâm, bỏ qua những đặc trƣng khác.

Một MHQT là sự biểu diễn hình học của một quy trình kinh doanh, mô tả sự ràng buộc giữa các công việc cần đƣợc thực hiện trong những kế hoạch kinh doanh. MHQT là 12 một tập các mô hình biểu diễn các hoạt động của công ty và sự ràng buộc giữa các mô hình [29]. Các mô hình này có thể đƣợc biểu diễn dƣới dạng BPNN, EPC hoặc lƣới Petri. Nếu các mô hình đƣợc xây dựng theo phƣơng pháp thủ công, độ tin cậy không cao do những yếu tố chủ quan.

Để đảm bảo đƣợc sự tin cậy của MHQT, phƣơng pháp khai phá dữ liệu lƣu trong các HTTT đƣợc đƣa ra. Những dữ liệu này là các dữ liệu đƣợc tạo ra từ các giao dịch kinh doanh, các mô hình sinh ra phản ánh đúng thực tế quá trình kinh doanh của doanh nghiệp và tạo ra độ tin cậy cao. b) Nhật ký sự kiện: Là nguồn thông tin đƣợc lấy từ nhiều nguồn khác nhau nhƣ phỏng vấn, khảo sát, giám sát công việc, ….sẽ đƣợc lƣu trong các HTTT. Sau đó, chúng đƣợc trích lọc các thông tin liên quan đến cấu trúc mô hình, việc phân tích sẽ đƣợc thực hiện.

Những công việc này có thể đƣợc thực hiện thủ công hay bằng một số ứng dụng KPQT. Các thông tin đƣợc trích lọc từ tập các nhật ký sự kiện sẽ đƣợc trích xuất và lƣu dƣới dạng XML [18], các bản ghi trong cơ sở dữ liệu liệu [33] hoặc kho dữ liệu [32]. Dựa vào các nguồn dữ liệu này, các ứng dụng KPQT sẽ xây dựng lên các MHQT và những dự đoán hiệu quả kinh doanh.