FACULTAD DE INGENIERIA DE MINAS:

ESCUELA PROFESIONAL DE INGENIERIA DE MINAS:

CHRISTIAN CHOQUE ANAHUA

 Los procesos en la fabricación y la logística se
caracterizan por una alta frecuencia de cambios y
fluctuaciones, causadas por el alto número de
participantes en procesos logísticos y la variedad de
mercancías manipuladas y servicios ofrecidos. Este
comportamiento dinámico requiere particularmente
procesos bien documentados, pero al mismo tiempo
también complica la documentación de procesos.
Manualmente procesos documentados pueden, por
ejemplo, perder detalles de las ramas de procesos
alternativos, y el cambio continuo en los procesos
logísticos hace que la documentación obsoleta
rápidamente. Un enfoque posible solución es
automatizar la documentación de los procesos.
Esta documentación automatizado, si se basa en datos de
la transacción y maestros de los sistemas informáticos
conectados al proceso logístico, se llama proceso de
minería. Al ser un subcampo de la minería de datos,
Proceso de minería extrae secuencias de actividades de
los registros de eventos en bases de datos. Logística tiene
la oportunidad de beneficiarse en gran medida de la
aplicación del proceso de minería, debido a que la
identificación y el seguimiento de las mercancías en la
cadena de suministro implica muchos sistemas de
TI. Sin embargo, el panorama de TI en la logística es
heterogénea, ya que los datos están dispersos entre los
diferentes sistemas especializados para diversos fines (por
ejemplo, el almacenamiento, la
planificación del transporte, y de facturación) de
diferentes empresas.

Los sistemas logísticos y de producción se
caracterizan por un alto grado de
complejidad, dinámica e incertidumbre. La
gran cantidad de participantes en los
procesos logísticos, así como la variedad de
productos y servicios que maneja, causan
esta complejidad.
Al mismo tiempo, los avances tecnológicos
en combinación con la globalización de las
actividades en la fabricación conducen a
una innovación frecuente y ciclos de vida
más cortos de los productoS.
POR LO TANTO:
Los sistemas logísticos deben adaptarse rápidamente a
los cambios para que las empresas puedan obtener
ventajas competitivas.
Habilitar esta reactividad es un reto debido al alto nivel
de dinámica e incertidumbre en la mayoría de los
sistemas logísticos.
Es esencial para las empresas esperar los procesos
logísticos reales y las desviaciones de los procesos
planificados en un entorno dinámico para ganar
flexibilidad adicional.
Es la técnica para trabajar en procesos de negocio
descubriendo, monitoreando y mejorando procesos reales
mediante. extrayendo conocimiento de los registros de
eventos
 1
2.I. MINERÍA DE PROCESO
El modelado de procesos de
negocios es una forma visual
de presentar operaciones en
organizaciones, por ejemplo,
entidades, actividades y sus
relaciones. Ha sido
ampliamente utilizado dentro
de las organizaciones. Se
dedican varias actividades de
investigación a las técnicas y
herramientas de modelado de
procesos.
La minería de procesos es el
vínculo entre la extracción de
datos, el modelado de procesos
de negocios y el análisis.
Cada vez más, los proveedores de
software comienzan a integrar la
funcionalidad de Process Mining
a sus herramientas.
Además, Process Mining ha sido
reconocido como una
herramienta potencial para
analizar y mejorar procesos
también en logística y
fabricación.
Explota el conocimiento de los
registros de eventos generados
por los sistemas de información.
Hacer uso de este conocimiento
es beneficioso para la mejora de
procesos.
La mayor parte de la
investigación de Process Mining
se aplica en las áreas de atención
médica, proceso de desarrollo de
software y educación en línea.
 2

2.2. CONTEXTO- Los dominios de logística y

CONCIENCIA EN LOGÍSTICA
Un sistema sensible al
contexto es un sistema que
puede proporcionar un
servicio o información
adecuados con respecto a la
tarea de un usuario. Hay
muchos autores que definen el
significado de contexto de
manera diferente.
En este documento, seguimos la
definición de Dey (1999), ya que
Contexto son las características
que describen la situación de
una entidad.
Una entidad se refiere a una
persona, lugar u objeto que está
relacionado con la interacción
entre el usuario y la aplicación.
fabricación son candidatos
ideales para incluir
características de conocimiento
del contexto, porque las
actividades industriales ocurren
en entornos muy heterogéneos
con una multitud La
información disponible al lado
del proceso real observado. Los
datos de contexto pueden ser el
tiempo, la ubicación y la
frecuencia de los eventos, así
como las comunicaciones,
herramientas, dispositivos u
operadores relacionados.
 3
2.3. ANÁLISIS DE
AGRUPAMIENTO
El propósito de la agrupación
de datos es agrupar un
conjunto de objetos según su
similitud de atributos y su
disimilitud con otros grupos.
En Process Mining, el análisis
de agrupamiento se puede
aplicar en el paso de
preprocesamiento de datos
para manejar grandes
cantidades de datos.
El clúster de seguimiento en
Process Mining basado en la
distancia de edición genérica se
ha implementado en una
investigación sobre Process
Mining en el dominio de la
asistencia sanitaria. Los
resultados ilustran que las
técnicas de agrupamiento
pueden ser efectivas para
manejar procesos similares a los
de espaguetis en el dominio de la
atención médica.
En el dominio de la logística y la
fabricación, los registros de
eventos son complejos
heterogéneos y pueden contener
valores atípicos. Además, la
secuencia de actividades o eventos
es sensible. En general, la
información adicional que no sean
los eventos en sí pueden
recuperarse de los registros de
eventos.
El método de agrupamiento que
aplicamos en este documento es k-
medoids. Se considera un método
adecuado para agrupar procesos
en logística y fabricación.
TILL BECKER AND WACHARAWAN INTOYOAD / PROCEDIA CIRP 63 ( 2017 ) 557 – 562
 TILL BECKER AND WACHARAWAN INTOYOAD / PROCEDIA CIRP 63 ( 2017 ) 557 – 562

Elementos reales del conjunto de datos como centroides (en lugar de computar
nuevos centroides agrupados como lo hace k-means) y es menos sensible a los valores atípicos. K-medoids
es un proceso iterativo de agrupación, y funciona de la siguiente manera:

(1) Primero, el algoritmo k-medoids selecciona k representativo objetos como centros de agrupamiento
(medoides), por ejemplo, vía aleatoria selección. Entonces cada objeto se asigna al cluster con

El medoide más cercano, utilizando la medida de distancia elegida. (por ejemplo, la distancia Jaccard, la
distancia Levenshtein o la distancia Damerau-Levenshtein).

(2) Posteriormente, se calculan nuevos centroides encontrando los Objeto con la menor distancia sumada a
todos los otros grupos miembros.

(3) Cada objeto se asigna nuevamente al centroide más cercano.

(4) Repita los pasos (2) y (3) hasta que el criterio de parada sea satisfecho (generalmente cuando no se
encuentran nuevos centroides en (2)).
 ENFOQUE

El objetivo de nuestro trabajo es mejorar los resultados del Proceso de Minería en

entornos de procesos heterogéneos, como la fabricación y la logística. En
particular, estamos buscando en escenarios donde podemos observar un cierto
número de 'principales' procesos en combinación con una alta cantidad de
procesos que son variaciones de los procesos principales. En un primer paso, es
necesario definir la similitud (o la diferencia) de dos procesos para poder juzgar si
estos procesos son variaciones del mismo tipo de proceso principal o si los
procesos observados pertenecen a dos grupos diferentes.
 MODELADO DE LA INFORMACIÓN DE PROCESOS:

Los procesos que observamos en los datos son listas de operaciones consecutivas
en un entorno de fabricación. Suponemos que dos operaciones son idénticas si se
llevan a cabo en el mismo sistema de trabajo (máquina). Por lo tanto, podemos
expresar cada orden como un vector de máquinas de longitud variable. Si, por
ejemplo, denotamos 10 máquinas disponibles de la A a J, posibles vectores proceso
podría ser (A, D, E), (F, B, F, C) o (D). La longitud mínima de un vector de
proceso es 1, pero no es (en teoría) sin límite superior. Las máquinas pueden
aparecer en orden arbitrario y pueden aparecer más de una vez, si la máquina se
utiliza varias veces durante el proceso.
 LAS MEDIDAS DE DISTANCIA PARA LA CUANTIFICACIÓN DE SIMILITUD PROCESO:

Nos definir dos procesos como idénticos si tienen la misma longitud y se

componen de las mismas operaciones en exactamente el mismo orden (por
ejemplo, (A, B, A, C) y (A, B, A, C) - pero no ( A, B, A, C) y (A, B, C, A)). Además,
dos procesos son completamente diferentes si los dos conjuntos de máquinas
involucradas son disjuntos, no importa cuántos artículos que contienen (por
ejemplo, (A, B) y (C, D, E). Cualquier combinación entre estos dos extremos es
una cierto grado de similitud, que tiene que ser adecuadamente cuantificado.
 K-MEDOIDES CLUSTERING PARA LA IDENTIFICACIÓN DE GRUPOS DE PROCESOS Y PARA
LA EVALUACIÓN DE LA INFORMACIÓN DE CONTEXTO:

El siguiente paso en nuestro procedimiento es agrupar variantes similares de

procesos juntos utilizando la agrupación enfoques. Por último, se incluye
información de contexto en el algoritmo de agrupamiento para mejorar los
resultados. Hemos seleccionado k-medoids agrupación, que se clasifica como
agrupación de partición, ya que podemos influir en el proceso de agrupación
mediante la selección de las medoids iniciales para incluir información de
contexto.
Funciones principales que puede desarrollar un
operador logístico en una cadena de suministro:

Los rápidos cambios en la logística y la fabricación causan una alta

frecuencia de cambio y un alto número de variantes en los procesos de las
industrias. Una adecuada documentación de todos los procesos se hace difícil
en un ambiente tan heterogéneo y exige enfoques de documentación
automatizados. Proceso de Minería ofrece la posibilidad de extraer
información de los procesos de registros de eventos, que suelen estar
disponibles en la fabricación y la logística como parte de la infraestructura
de planificación y control. En este trabajo el objetivo de mejorar la
extracción automatizada de la documentación del proceso mediante la
adición de información de contexto para el enfoque de detección de proceso.
Funciones principales que puede desarrollar un
operador logístico en una cadena de suministro:

En nuestro estudio, hemos investigado cómo la frecuencia de ocurrencia

de un proceso y la estabilidad del tiempo de ciclo de los procesos de
repetición se puede utilizar como información contextual adicional al
agrupar procesos similares variantes juntos. Hemos encontrado que la
selección de los procesos más frecuentes como procesos principales se
obtienen los mejores resultados. Además, se demostró que las tres
medidas de distancia factible llevar a resultados muy similares al
cuantificar la similitud proceso, por lo que ningún esfuerzo específico
tiene que ser puesto en la selección de la medida apropiada.
Funciones principales que puede desarrollar un
operador logístico en una cadena de suministro:

Las investigaciones futuras deberían centrarse en la investigación de la

información de contexto adicional que puede ser recuperada de los
registros de eventos y sobre su evaluación en comparación con la
frecuencia de un proceso según las pruebas realizadas en este trabajo.
Además, una metodología para identificar los principales procesos en el
primer lugar (es decir, determinar el valor correcto para k) sería
beneficioso para mejorar los resultados del procedimiento. Además, los
algoritmos de agrupación adicionales que cumplen los requisitos
relativos a la manipulación de los datos nominales se deben probar.