流程挖掘是基于模型的流程分析和以数据为导向的分析技术之间缺失的一环。通过具体的数据集和易于使用的软件，该课程提供的数据科学知识可直接用于分析和改进各种领域的流程。 数据科学是未来的职业，因为无法以智能方式使用（大）数据的组织将无法生存。仅仅关注数据存储和数据分析是不够的。数据科学家还需要将数据与流程分析联系起来。流程挖掘是传统的基于模型的流程分析（如模拟和其他业务流程管理技术）与以数据为中心的分析技术（如机器学习和数据挖掘）之间的桥梁。流程挖掘寻求事件数据（即观察到的行为）与流程模型（手工制作或自动发现）之间的对抗。这项技术最近才出现，但它可以应用于任何类型的操作流程（组织和系统）。应用实例包括：分析医院的治疗流程、改进跨国公司的客户服务流程、了解客户使用预订网站的浏览行为、分析行李处理系统的故障以及改进 X 光机的用户界面。所有这些应用的共同点是，动态行为需要与流程模型相关联。因此，我们将其称为 "行动中的数据科学"。 本课程讲解流程挖掘中的关键分析技术。学员将学习各种流程发现算法。这些算法可用于从原始事件数据中自动学习流程模型。还将介绍使用事件数据的其他各种流程分析技术。此外，课程还将提供易于使用的软件、现实生活中的数据集以及在各种应用领域直接应用理论的实用技能。 本课程首先概述了使用事件数据支持决策制定和业务流程（重新）设计的方法和技术。然后，课程重点介绍流程挖掘，它是数据挖掘和业务流程建模之间的桥梁。课程为入门级，包含各种实践作业，涵盖流程挖掘的三种主要类型。第一类流程挖掘是发现。发现技术利用事件日志，在不使用任何先验信息的情况下生成流程模型。阿尔法算法就是一个例子，它利用事件日志生成一个流程模型（Petri 网）来解释日志中记录的行为。第二类流程挖掘是一致性挖掘。在这里，现有的流程模型与同一流程的事件日志进行比较。一致性检查可用于检查日志中记录的现实情况是否符合模型，反之亦然。流程挖掘的第三种类型是增强。这里的想法是利用事件日志中记录的实际流程信息来扩展或改进现有流程模型。一致性检查衡量的是模型与现实之间的一致性，而第三类流程挖掘旨在改变或扩展先验模型。例如，利用性能信息扩展流程模型，如显示瓶颈。流程挖掘技术可用于离线环境，也可用于在线环境。后者被称为运行支持。例如，在偏差实际发生时检测不符合项。另一个例子是对正在运行的案例进行时间预测，即根据类似案例的历史信息，对已部分执行的案例的剩余处理时间进行估计。 流程挖掘不仅是数据挖掘和业务流程管理之间的桥梁，还有助于解决 "业务 "和 "IT "之间的传统分歧。基于流程挖掘的循证业务流程管理有助于为业务流程改进和信息系统开发创造一个共同的基础。 课程中使用了许多使用真实事件日志的示例来说明概念和算法。学习本课程后，您将能够运行流程挖掘项目，并对业务流程智能领域有很好的了解。

学完这门课程后，您应该 - 能够应用基本流程发现技术从事件日志中学习流程模型（手动和使用工具均可）， - 能够应用基本一致性检查技术比较事件日志和流程模型（手动和使用工具均可）， - 能够使用从事件日志中提取的信息扩展流程模型（例如，从事件日志中提取信息）， - 能够应用基本流程发现技术从事件日志中学习流程模型（手动和使用工具均可）。g.,能够利用从事件日志中提取的信息扩展流程模型（例如，显示瓶颈）， - 能够很好地理解启动流程挖掘项目所需的数据， - 能够描述根据这些事件数据可以回答的问题， - 解释流程挖掘如何也能用于操作支持（预测和推荐），以及 - 能够以结构化的方式开展流程挖掘项目。