INTRODUÇÃO: A mineração de processos é uma área da computação que busca extrair conhecimento proveitoso sobre os processos de negócio a partir dos dados armazenados pelos sistemas de informação em logs de eventos. Apesar de existirem diferentes técnicas para análise dos processos, a maior parte delas assume que um log de eventos contém dados sobre uma única versão do processo, considerando que não houve alteração no processo (concept drift) que gerou os dados no período de coleta. Porém, a realidade dinâmica dos processos de negócio não se encaixa nessa premissa. – OBJETIVOS: Gerar bases de dados contendo logs de eventos com concept drifts que permitam validar as técnicas de análise de processos considerando cenários mais diversos e mais próximos da realidade. – MATERIAIS E MÉTODO: Para colocar em operação um gerador de logs de eventos com drifts se utilizou do Framework ProM (Process Mining), em particular, o plugin ConceptDrift que realiza geração de logs. O processo de criação de logs com drifts seguiu uma estratégia simples e bem-definida. Em outras palavras, dado dois modelos de processos M1 e M2: a) gera-se, por meio de simulação computacional, os logs de eventos B1—a partir do modelo M1—e D1—a partir do modelo M2—, onde B1 é o log contendo registros a partir do modelo de referência base e D1 é o log contendo registros gerados a partir do modelo alterado, que representa o modelo do processo após o drift; b) cria-se um terceiro log de eventos BD1 juntando-se B1 e D1 de forma alternada k vezes, onde k é o número de drifts presente em BD1 no final do processo de criação. No intervalo de tempo em que as alternâncias entre B1 e D1 e vice-versa ocorrem, são gerados e incluídos eventos em BD1 seguindo uma distribuição de probabilidades (ex. exponencial). – RESULTADOS: O resultado obtido foi um ambiente computacional que fornece uma dupla contribuição. A primeira é o ambiente computacional para a configuração e geração de logs de eventos com diferentes tipos e padrões de drifts. A segunda fornece suporte para a coleta de dados no contexto da avaliação de diferentes estratégias de detecção de drifts, já que no mesmo arquivo de log gerado (formato XES), estão presentes não apenas os dados dos eventos, mas também as marcações onde se encontram os drifts. Essas marcações não eram incluídas na versão original do plugin e são essenciais para o cálculo de métrica de análise de detecção de drift, como o F-score. – CONSIDERAÇÕES FINAIS: Em termos de práticos, o que foi implementado permite coletar os dados de todos drifts identificados—denotado pela uma lista allDrifts. Essa lista é relevante para permitir a automatização do processo de detecção e cálculo das métricas de avaliação como já dito anteriormente acima. O componente DriftSimulatorPN gera um arquivo com três listas: allDrifts—contendo os drifts detectados, baseLog—contendo os traces do log de referência, e driftLog—contendo os traces do log com drifts. Essa organização em componentes facilita a inclusão deste recurso como um plugin.
