ترجمه تخصصی مدل سازی فرآیند کسب و کار

 

طراحی نامناسب فرآیند باعث افزایش ناکارآمدی می شود. در نتیجه، شرایط قابل رؤیت درونی (مانند عقب افتادگی، زمان پاسخگویی طولانی، فعالیتهای نادرست، استفاده نامتعادل از منابع و سطح سرویس پایین) ممکن است باعث ایجاد وقایع خارجی برای کاربر نهایی (مانند افزایش ادعاهای خسارت، مشتریان عصبانی و ضرر) شود. از این رو، تجزیه و تحلیل فرآیندهای تجاری (BP) ، قبل از شروع تولید و همچنین هنگام تولید، برای یافتن نقص طراحی و تشخیص / پشتیبانی، از تصمیم گیری مهم است. BP ها را می توان مجموعه ای از فعالیت های جزئی سفارش داده شده، برای دستیابی به یک هدف دانست. نکته جالب از دیدگاه علمی، جداسازی مدیریت BP ها از برنامه های کاربردی و روش های توسعه یافته برای حوزه های خاص است. از دهه 1980، محققان، روش های استاندارد و یکپارچه ای برای نمایندگی و اندازه گیری فرآیندهای مختلف را دنبال می کردند [1]. مدل سازی، پارامتر سازی و شبیه سازی BP ها در این بخش انجام شده است.

سفارش ترجمه تخصصی رشته مدیریت کسب و کار

 

1.1- مدل سازی فرآیند کسب و کار:

مدل سازی BP روشی ثابت برای مستندسازی BP ها است. مدل BP توصیفی کلی از کلاس BP ها است. مدل های BP نحوه انجام اقدامات BP را توصیف می کنند. آنها جنبه های خاصی را برجسته می کنند و دیگران را کنار نمی گذارند. یک مدل BP مفهومی مستقل از یک فناوری خاص یا یک محیط سازمانی است، در حالی که یک مدل BP اجرایی، برای یک محیط خاص تخصصی است. توسعه مدل های فرآیند کسب و کار بسیار پر کار است [2]. تعداد زیادی زبان، برای پشتیبانی از مدل سازی BP مانند زبان متنی (به عنوان مثال زبان رسمی یا طبیعی) و زبان تصویری (به عنوان مثال نمودار جریان) وجود دارد و چندین استاندارد نمایندگی نیز وجود دارد. خواننده علاقه مند، برای تجزیه و تحلیل مقایسه ای چنین زبان هایی به [3] ارجاع شده است. مدل و نشانگر فرآیند کسب و کار (BPMN) [4] از سال 2005 یک استاندارد گروه مدیریت اشیاء (OMG)، با هدف ارائه نوتیفیکیشن است که توسط همه ذینفعان مشاغل قابل فهم باشد. ساختار BPMN ،شبیه نمودارهای معروف جریان و نمودارهای فعالیت است. با این حال، BPMN  پشتیبانی می کند تا رایج ترین الگوهای کنترل جریان که هنگام تعریف مدل های فرآیند رخ می دهد، ارائه شود. در این مقاله،BPMN ، یک استاندارد مرجع در مدل سازی BP در نظر گرفته شده است.

در رویکرد مبتنی بر فرآیند، اندازه گیری های قابل اندازه گیری باید تعریف شوند (به اصطلاح شاخص های کلیدی عملکرد  KPIها). KPIها می توانند به یک چشم انداز مبتنی بر بازاریابی (به عنوان مثال رضایت مشتری)، کیفیت داخلی (عدم رعایت) و کارآیی (هزینه ، مدت) مرتبط باشند. KPI ها بر اساس اهداف تجاری ایجاد می شوند و مشخصات مفصلی دارند که برای ردیابی اهداف تجاری مورد استفاده قرار می گیرند.  KPI سپس با یک فرآیند خاص همراه است و به طور کلی با یک مقدار عددی نمایش داده می شود. KPI  ممکن است حاشیه هدف و مجاز داشته باشد، حد پایین و بالایی داشته باشد و طیف وسیعی از عملکردها را تشکیل دهد که فرآیند باید به آن دست یابند. KPI ها را می توان از یک یا چند معیار تشکیل داد. از نتایج محاسبه شده از معیارها در طول نظارت بر فرآیند استفاده می شود تا مشخص شود آیا هدف KPI  برآورده شده است یا خیر. به عنوان مثال، زمان انتظار، زمان پردازش، زمان چرخه، هزینه فرآیند و استفاده از منابع معمولاً از KPI ها استفاده می کنندد [6،7]. برای انتخاب صحیح KPI های یک فرآیند، نیاز به درک مناسب از آنچه برای سازمان مهم است، وجود دارد [8].

1.2- پارامتر سازی فرآیندهای تجاری:

شبیه سازی فرایندهای تجاری (BPS) [9] می تواند در اندازه گیری کمی از KPI ها کمک شایانی کند. برای شبیه سازی یک فرآیند، ابتدا باید به عنوان یک گردش کار تعریف شود و جریان کار را از ابتدا به نتیجه ، با مسیرهای اصلی آن (سناریوها) نشان دهد [2].برای شبیه سازی سناریوها ازیک گردش کار تعریف شده، در دسترس بودن داده ها و پارامترهای ورودی بسیار مهم هستند. به عنوان مثال، هر موردی که شبیه سازی می شود باید تعدادی نمونه فرآیند و میزان ورود آنها را داشته باشد. علاوه بر این، تعداد منابع موجود، برای موارد فرآیند تعریف شده در مدل باید اعلام شود.علاوه بر این، داده های اجرایی باید تعریف شود(به عنوان مثال مدت زمان هر کار، نسبت انشعاب هر جریان جایگزین، تعداد منابع مورد نیاز هر اجرای کار و غیره).  هزینه و پارامترهای کیفیت دیگر نیز می تواند تعریف شود.

چندین نتیجه احتمالی از یک ابزار BPS وجود دارد. خروجی می تواند یک گزارش فرآیند دقیق باشد که با یک چارچوب استخراج فرآیند قابل تجزیه و تحلیل باشد [10] (مجموعه ای از معیارها با نمودارهای مرتبط، مجموعه ای از مقادیر KPI و غیره). برخی از ابزارهای شبیه سازی نیز پشتیبانی از انیمیشن را انجام می دهند (به [11] مراجعه کنید). خواننده علاقه مند برای تجزیه و تحلیل چنین معیارهایی در سطح برنامه به [12] ارجاع شده است. این مقاله بر جنبه مهم یک ابزار BPS ، یعنی توانایی ضبط عدم قطعیت ذاتی، عدم دقت ، تغییرپذیری و پویایی یک فرآیند متمرکز شده است [13،14]. بیشتر سیستم های کسب و کار شامل تنوع در تقاضای سیستم (به عنوان مثال  ورود مشتری) و طول فرآیند (به عنوان مثال زمان خدمات مشتری) هستند. در چنین مواردی، استفاده از مقادیر متوسط ​​اطلاعات، کارآیی قابل قبولی را ارائه نمی دهد. برای مقایسه چنین متغیرهایی، هنگام مقایسه مدل های asis و to-be یا در سیستمهای مبتنی بر مشتری که در آن، عملکرد نباید از یک سطح مشخص پایین تر بیاید، بسیار مهم است. منبع بزرگ عدم ​​اطمینان نیز به الگوبرداری از منابع انسانی مرتبط است [15].

یک پاسخ به حدود فوق، ساختن مدل های دقیق تر است. با این حال، یک مدل شبیه سازی باید از جزئیات صحیح برخوردار باشد و اضافه کردن جزئیات بیشتر همیشه مشکل را حل نمی کند [9]. از این رو، کالیبراسیون مدل های BPS بسیار دشوار است. به همین دلیل ابزارهای BPS اجازه می دهند تا توزیع های آماری را در اختیار داشته باشند و نشانه ای از دامنه و تغییرپذیری عملکرد فرآیند را نشان دهند. از این رو زمان اجرای کار و نرخ ورود فرآیند را می توان با یک مقدار متوسط ​​به علاوه برخی از اطلاعات توزیع یکنواخت یا نمایی (معمولاً توزیع استاندارد) تعریف کرد. علاوه بر این، ابزارهای BPS می توانند توزیع های آماری را برای مدل سازی جریان تصمیم گیری غیر قطعی در اختیار بگیرند. یک نمایه متفاوت که با عدم قطعیت سر و کار دارد، متغیر ارزش فازی است. در مقابل با احتمال، که نشانگر فرکانس یا احتمال وجود یک عنصر در یک کلاس است، تئوری مجموعه فازی، شباهت یک عنصر به یک کلاس را با استفاده از یک تابع عضویت که در فواصل واحد واقعی ارزش دارد، محاسبه می کند [0و1]. در حالی که متغیرهای یک ارزش، احتمالاً دارای ارزش عددی هستند، در متغیرهای دارای ارزش فازی، مقادیر غیر عددی اغلب برای تسهیل بیان واقعیت ها مورد استفاده قرار می گیرند.  به عنوان مثال، متغیر (مانند دما) ممکن است دارای یک مقدار مانند سرد و گرم باشد که توسط سه کارکرد مرتبط نشان داده شده است که مقیاس دما را بر روی مقادیر شباهت نقشه می کشند. بنابراین، یک مقدار درجه حرارت (مانند 25 درجه سانتیگراد) به ترتیب درجه حرارت 0.2 و 0.8 (سرد و گرم) دارد. در عمل، مجموعه های فازی، مجموعه های کلاسیکی را که درجه عضویت آنها فقط مقادیر صفر یا یک است را تعمیم می دهند. یک مورد خاص از یک مجموعه دو ظرفیتی کلاسیک، فاصله زمانی است (یعنی مجموعه ای از اعداد واقعی با اسن خاصیت که هر شماره ای که بین دو عدد در مجموعه قرار داشته باشد نیز در مجموعه گنجانده شده است). یک پارامتر با ارزش بازه ای [x,x]  ساده ترین نمایش عدم قطعیت است (با بیان اینکه مقادیر اندازه گیری شده در مجموعه ای از نمونه های فرآیند ازx به  x ،  متغیر است. به عنوان نمونه، دمای یک فرایند شیمیایی را در نظر بگیرید که ممکن است مقادیر آن [27و19] درجه سانتی گراد باشد. با فاصله زمانی، هیچ اطلاعاتی در مورد توزیع مقادیر اندازه گیری ارائه نمی شود (به این معنی که شکل عملکرد چگالی احتمال ناشناخته است). در مقابل، توزیع احتمال یکنواخت،U[x,x]  ، ادعا می کند که عملکرد چگالی احتمال  برای1/x-x  [x≤x≤x]  و صفر، برایx>x  یا x>x  شناخته شده است که اطلاعات بسیار مفصلی درباره نتایج یک فرآیند است.

 

سفارش ترجمه تخصصی رشته مدیریت کسب و کار

بسته به مقیاس مدل سازی، مقدار مشخصی از داده های مهم، در مورد فرآیندها باید جمع آوری و تجزیه و تحلیل شوند تا در یک مدل گنجانیده شود. معمولاً داده ها از طریق بحث و گفتگو با متخصصان و به ویژه با افراد درگیر در فرآیندهای مدل سازی، از طریق مشاهده فرآیندهای موجود و مطالعه مستندات در مورد فرآیندها جمع آوری می شوند. متأسفانه، قابلیت ردیابی فرآیند به طور کلی کار بسیار دشواری است [16]. در عمل، در بسیاری از موارد، داده های موجود، نادرست و به اندازه کافی دقیق برای پارامتر کردن مدل نیستند و هیچ مقدار نمونه کافی ای، برای محاسبه توزیع احتمال وجود ندارد. در واقع، جمع آوری داده ها یکی از موانع اصلی روش های BPS است. در زمینه مدل سازی فازی مبتنی بر داده، ساخت مجموعه های فازی حتی برای کارشناسان فرآیند نیز دشوار است و برای برنامه های کاربردی، با تعداد کمی متغیر، عملی است.  در مقالات، برای طراحی مجموعه های فازی می توان رویکردهای متفاوتی یافت (به عنوان درون یابی بین جفت مقادیرمشاهده و مقادیرعضویت داده شده یا استخراج مبتنی بر داده از طریق یک الگوریتم خوشه ای) [17،18]. در واقع، حتی برای انتخاب ساده ترین مدل (به عنوان مثال توزیع احتمال یکنواخت) در گروهی از مدل های کاندید، نیاز به روش های آماری مبتنی بر تعدادی از داده های نمونه است.

در مقابل، داده های دارای ارزش بازه به داده های مشاهده شده، به عنوان یک محدوده، به جای توزیع مقادیر اشاره دارند. داده های بازه ای به سادگی تعیین مرزهای پایین و بالا را می طلبند که غالباً از افرادی که در این فعالیت درگیر هستند می توان به راحتی سؤال کرد.  بنابراین، با توجه به داده های دارای ارزش و احتمال فازی، مدل سازی داده های دارای ارزش بازه ای، نیاز به جمع آوری و پردازش داده کمتری دارند.

1.3- شبیه سازی فرآیند کسب و کار:

موتورهای شبیه سازی آماری و مبتنی بر فاصله، در طراحی بسیار متفاوت هستند. یک موتور شبیه سازی آماری مدل، برخی از داده های ورودی تصادفی استخراج شده را ارزیابی می کند. این روش، نتیجه دقیق، مطمئن و قطعی ندارد زیرا اجرای چندین روش، نتایج متفاوتی را به همراه خواهد داشت. علاوه بر این، یک موتور آماری، مقیاس پذیر نیست زیرا برای افزایش پارامترهای مدل، نیاز به توسعه دادن نقاط ارزیابی دارد.  در مقابل، در یک مدل کسب و کار، با پارامترهای دارای ارزش بازه، فاصله خروجی، با بالاترین و کمترین مقادیر KPI تعیین می شود که با دادن پارامترها به همه مقادیر ممکن در فواصل مرتبط می تواند ارائه شود. به عنوان نمونه، دما و رطوبت نسبی یک فرآیند شیمیایی را در نظر بگیرید که ممکن است دارای مقادیر مختلف [19،27]درجه سانتیگراد و٪[71،84] باشد و مدت زمان جامد سازی را در حداقل، تولید کند.

مشکل پردازش یک بازه خروجی در واقع می تواند به دو مشکل فرعی تقسیم شود. برای یک ورودی پیشوند داده شده: (1) برای پیدا کردن بالاترین مقدار KPI در خروجی و (2) برای پیدا کردن کمترین مقدار KPI در خروجی، تحت محدودیت هایی که توسط پارامترهای دارای فواصل زمانی تعیین شده ایجاد شده است. در واقع، هر یک از این مشکلات فرعی، به ترتیب، مبتنی بر یک مسئله بهینه سازی است: (1) یک مشکل حداکثر کردن و (2) یک مشکل به حداقل رساندن.

در مقالات، از روش های مختلف راه حل، برای بهینه سازی فرآیندهای تجاری استفاده شده است [19]. اصولاً جستجو، روش حل مشکلاتی است که راه حل آنها را نمی توان از طریق توالی مراحل انجام داد. کاربرد یا عدم دانش دامنه ، برای هدایت جستجو، بستگی به جستجو با استراتژی های اکتشافی دارد. علاوه بر این، یک استراتژی جستجو می تواند کم و بیش مبتنی بر استثمار و اکتشاف باشد (یعنی با استفاده از بهترین راه حل موجود برای بهسازی و کاوش در فضای جستجو با راه حل های جدید). به عنوان مثال، کوهنوردی و جستجوی تصادفی به ترتیب دو نمونه از راهبردهای مبتنی بر استثمار و اکتشاف هستند [20]. یک الگوریتم ژنتیکی (GA) ،ک روش جستجوی هدفمند عمومی است که براساس اصول تکامل بیولوژیکی طبیعی است  که ترکیبی از استراتژی کارگردانی و تصادفی است تا تعادل بین اکتشاف و بهره برداری برقرار شود. GA ها با موفقیت در بسیاری از مشکلات مهندسی صنایع که برای بهینه سازی معمولی غیرقابل عملی هستند، به کار گرفته شده اند [21،22]. در یک روش بهینه سازی معمولی، یک راه حل واحد به طور فزاینده ای از طریق تکرارها و استراتژی های پیشرفت وابسته به مسئله، بهبود می یابد.

در این مقاله، ما یک رویکرد جدید از BPS متشکل از استفاده از پارامترهای با ارزش بازه ای، به عنوان یک جایگزین برای پارامترهای معمولی تک ارزش یا احتمالاً ارزیابی پیشنهاد می کنیم.  با توجه به این مشکل، ما یک سیستم شبیه سازی به نام Interval Bimp (IBimp)  طراحی کرده ایم  که ماژول بهینه سازی آن براساس GA است. سیستم IBimp بر روی سناریوهای آزمایشی و همچنین سناریوهای دنیای واقعی آزمایش شده است. شبیه ساز پیشنهادی به صورت عمومی به عنوان برنامه افزودنی Bimp منتشر شده است [23]. BPMN  برخلاف رویکردهای ارائه شده در مقالات، شبیه ساز مبتنی بر بازه ما از دو طریق قابل استفاده است: (1) به عنوان مولد منحنی های مشخصه مدل های مشروط به عدم اطمینان مرتبط با پارامترهای ورودی آنها و (2) به عنوان ابزاری برای ارزیابی بدترین/ بهترین موارد، در یک منطقه عملیاتی محدود

مقاله به شرح زیر است: بخش 2 مفاهیم پیش زمینه مورد نیاز برای درک رویکرد پیشنهادی را معرفی می کند. بخش 3 با توجه به رویکردهای پارامترسازی، کار موجود را در BPS مورد بحث قرار می دهد. بخش 4 مشخصات و جزئیات طراحی را در مورد رویکرد BPS با ارزش بازه ای ما ارائه می دهد. جزئیات اجرای معماری در بخش 5 ارائه شده است. در بخش 6، پنج سناریو برای نشان دادن مفاهیم اساسی رویکرد ما معرفی شده است. بخش 7 شامل نتیجه گیری و کارهای آینده است

2- پس زمینه:

اهمیت مدل سازی مفهومی تا حد زیادی در مقالات تشخیص داده شده است [24]. مدل سازی، یک فرآیند یادگیری است که به تحلیلگران مشاغل اجازه می دهد تا ملزومات را واضح بیان کنند، دانش دامنه را بیان کرده و راه حل هایی ارائه دهند. مدل های BP باید پایه و اساس رسمی ای داشته باشند. در واقع، مدل های رسمی، اجازه ابهام را نمی دهند و پتانسیل تجزیه و تحلیل را افزایش می دهند [25]. علاوه بر این، یک مدل BP باید توسط همه ذینفعان درگیر، به راحتی قابل درک باشد. این نیاز مهم، با استفاده از نمادهای بصری حاصل می شود.  پس از دستیابی به اجماع بین ذینفعان، می توان مدل BP را روی سیستم عامل های مدیریت BP مستقر کرد و در صورت استفاده از زبانی رسمی، رفتار آن توسط فروشندگان غیرمبهم است. استحکام BPMN در دو جنبه مهم قرار دارد: (1) سادگی، که به دلیل سطح انتزاع ارائه شده توسط استاندارد است و (2) امکان ترجمه خودکار به زبان اجرای کارو سپس تولید یک نمونه اولیه قابل خواندن از فرایندهای تجاری. BPMN با یک پایه ریاضی تهیه شده است که با بهره گیری از تئوری حسابگر فرآیند [26] ساخته شده است.  این تئوری، یک ضرورت اساسی، برای یک زبان مدل سازی فرآیند کسب و کار خوب، به منظور اتوماسیون اجرا و اثبات کاربردهای عمومی است ( همانطور که در مقالات به طور گسترده شناخته شده است) [10،27]. از این رو، BPMN  با هدف خاص ایجاد پل، از دیدگاه تجارت تا دیدگاه فنی در مورد فرآیندها درک شد [26]. برای توصیف BP ،BPMN ، نمودار BP را ارائه می دهد. شکل 1 عناصر اصلی نمودار BP را نشان می دهد که توسط شبیه ساز Bimp پشتیبانی می شوند: رویداد، گیت وی(گره تقسیم) و گره ادغام ، کار و فعالیت [4]. مفاهیم اصلی به طور خلاصه در زیر تعریف شده است.  رویدادها بازنمایی چیزی است که می تواند در طول BP اتفاق بیفتد. یک جریان کسب و کار، توسط یک رویداد شروع شده، فعال می شود و توسط یک رویداد پایان خاتمه می یابد (در حالی که رویدادهای واسط می توانند در هر نقطه از جریان رخ دهند).  فعالیت های تجاری می توانند بصورت هسته ای (وظایف) یا مرکب باشند (فرآیندها و فرایندهای فرعی، به عنوان اتصال وظایف). گیت وی ها، نقاط تصمیم گیری را برای کنترل جریان تجارت نشان می دهند. جریان دنباله، توسط فلش های نشان داده می شوند و ترتیب اجرای فعالیت ها در BP را به تصویر می کشند.

 

شکل1- عناصر مدل فرآیند تجارت و عناصر (BPMN) پشتیبانی شده توسط شبیه ساز Bimp

برای تعریف مدل فرآیندBPMN ، ما از مفهوم توکنی که جریان توالی را طی می کند و از عناصر موجود در فرآیند عبور می کند، استفاده می کنیم.  نشانه، یک مفهوم نظری است که برای تعریف رفتار فرآیندی که انجام می شود استفاده می شود. در حین شبیه سازی، هر یک از عناصر BPMN ، در مدل فرآیند، وضعیت خاص خود را در هر نمونه فرآیند دارند.  در شکل 2، یک نمودار حالت UML (زبان مدل سازی متحد)، چرخه عمر یک عنصر BPMN را که توسط شبیه ساز Bimp پشتیبانی می شود را نشان می دهد. به طور خاص، هنگامی که توسط موتور شبیه سازی به عنوان عنصر مورد استفاده انتخاب شود، یک عنصر فعال می شود. وقتی یک منبع به یک کار اختصاص داده می شود ، گفته می شود که کار شروع شده است.عناصر (غیر از وظایف)، حالت ندارند زیرا منابع می توانند فقط به وظایف اختصاص یابند. اگر این عنصر بدون وقفه تکمیل شود، گفته می شود که این عنصر تکمیل شده اند در غیر این صورت، آن را به عقب نشینی تغییر می دهند.

 

شکل2- نمودار حالت UML (زبان مدل سازی یکپارچه) به نمایندگی از چرخه عمر یک عنصر BPMN پشتیبانی شده توسط شبیه ساز Bimp

به طور کلی، یک نمودار BP از نظر استخرهای تعامل (شرکا)، که به عنوان ظروف مستطیل دارای برچسب نشان داده می شوند، سازماندهی می شود. یک استخر را می توان به صورت خطوط ، به عنوان ظروف مستطیل دارای برچسب داخلی تقسیم کرد تا یک طبقه بندی دقیق از فعالیت ها را بیان کند. سرانجام، جریان پیام که به عنوان پیکان سفید رنگ شکسته نشان داده می شود، پیام هایی را که بین اشخاص تجاری صادر می شود را بیان می کند. نمونه ای از نمودار BP در شکل 3 نشان داده شده است. این فرآیند کلان، تولید کیف در کارگاه چرمی را نشان می دهد. به طور خاص، رویداد شروع در کارگاه چرمی نشان می دهد که این روند از کجا شروع می شود. سپس یک فعالیت برش بر روی یک ورق چرمی انجام می شود. در این مرحله، دو امکان وجود دارد: یا اجزای کیف، از طریق فعالیت آماده سازی اجزای سازنده یا از طریق عوامل خارجی، با استفاده از برون سپاری تهیه می شوند. در حالت دوم، یک فعالیت مدیریتی برون سپاری وظیفه دارد شخص ثالثی را برای این کار منصوب کند که این کار، توسط یک صنعتگر انجام می شود. پس از آن، یک فعالیت مونتاژ می تواند به صورت داخلی یا خارجی انجام شود (همانطور که با فعالیت قبلی انجام می شود). سرانجام، فعالیت کنترل و کیفیت بسته بندی انجام می شود و محصولات نهایی ساخته می شوند. رویداد پایان نشان می دهد که فرآیند به پایان رسیده است.