Modélisation, Analyse en Temps Réel et Vérification Quantitative des Processus Métier

Modelling, Runtime Analysis and Quantitative Verification of Business Processes

• Auteur / Autrice : Ahang Zuo
• Direction : Gwen Salaün, Yliès Carlo Falcone
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 11/04/2024
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale Mathématiques, sciences et technologies de l'information, informatique (Grenoble ; 1995-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'informatique de Grenoble (Isère, France ; 2007-....)
• Jury : Président / Présidente : Yves Ledru
• Jury : Examinateurs / Examinatrices : Olga Kouchnarenko
• Jury : Rapporteurs / Rapporteuses : Pascal Poizat, Pascale Le Gall

Mots clés

Mots clés contrôlés

Business Model Canvas

Modèles relationnels probabilistes

Mots clés libres

Processus métier

Vérification de modèles probabilistes

Analyse quantitative

Bpmn

Allocation des ressources

Analytique prédictive

Business Processes

Probabilistic Model Checking

Quantitative Analysis

Bpmn

Resource Allocation

Predictive Analytics

Résumé

Les processus métier sont des tâches structurées modélisant un service ou un produit spécifique. L'optimisation de ces processus est une activité stratégique dans les organisations en raison de son potentiel à augmenter les marges bénéficiaires et à réduire les coûts opérationnels. Le Business Process Model and Notation (BPMN) est le langage de modélisation standard de facto pour le développement de processus d'affaires, qui définit l'ensemble des tâches impliquées dans un processus et l'ordre dans lequel elles doivent être exécutées. Les principales contributions de cette thèse sont :(i) La construction d'un processus optimisé avec le langage BPMN n'est pas aisée pour les utilisateurs non-experts en raison du manque de soutien lors de la conception. La première contribution présente une approche pour aider ces utilisateurs à construire des processus optimisés. Un graphe abstrait, qui décrit une version abstraite d'un processus, est d'abord généré en définissant l'ensemble des tâches et un ordre partiel entre certaines d'entre elles. L'utilisateur peut ensuite affiner successivement ce graphe abstrait. L'affinement est guidé par les temps d'exécution minimum et maximum nécessaires pour exécuter l'ensemble du processus. Une fois que l'utilisateur est satisfait, la dernière étape transforme ce graphe en un processus BPMN.(ii) Les ressources sont nécessaires pour exécuter certaines tâches spécifiques d'un processus en cours, connaître les probabilités associées à des tâches spécifiques est essentiel pour ajuster les ressources et ainsi optimiser les coûts. De plus, il est particulièrement difficile de garantir la correction et l'efficacité des multiples exécutions d'un processus. La deuxième contribution propose de s'appuyer sur la vérification de modèle probabiliste (PMC) pour vérifier automatiquement que les multiples exécutions d'un processus respectent une propriété probabiliste spécifique. Cette approche s'applique en temps réel, l'évaluation de la propriété étant périodiquement vérifiée et les résultats correspondants mis à jour. En outre, nous proposons un mécanisme d'application probabiliste en temps réel pour continuer à exécuter le processus tout en évitant la violation de la propriété. (iii) Une stratégie de répartition des ressources bien définie est essentielle pour optimiser les temps d'attente et les coûts en atténuant les retards et en améliorant l'utilisation des ressources. La troisième contribution présente une approche générique pour ajuster dynamiquement l'allocation des ressources pendant l'exécution des processus BPMN. De plus, nous introduisons une stratégie s'appuyant sur un modèle prédictif pour calculer des métriques d'intérêt, y compris l'utilisation des ressources et le temps d'exécution moyen, ce qui nous permet d'anticiper le changement de ressources et ainsi d'améliorer en réduisant le temps d'exécution du processus, les coûts associés aux ressources et d'avoir une utilisation plus équilibrée des ressources.

Business processes are structured tasks that model a specific service or product. The optimisation of these processes is a strategic activity in organisations because of its potential to increase profit margins and reduce operating costs. Business Process Model and Notation (BPMN) is the de facto standard modelling language for developing business processes, which defines the set of tasks involved in a process and the order in which they should be executed. The main contributions of this thesis are: (i) Building an optimised process with BPMN language is not easy for non-expert users due to the lack of support at design time. The first contribution presents an approach to support such users in building optimised processes. An abstract graph, which describes an abstract version of a process, is first generated by defining the set of tasks and a partial order between some of them. The user can then successively refine this abstract graph. Refinement is guided by the minimum and maximum execution times needed for executing the whole process. Once the user is satisfied, the last step transforms this graph into a BPMN process. (ii) Resources are necessary for executing some specific tasks of a running process, knowing the probabilities associated with specific tasks is essential for adjusting resources and thus optimising costs. In addition, it is particularly difficult to ensure correctness and efficiency of the multiple executions of a process. The second contribution proposes to rely on Probabilistic Model Checking (PMC) to automatically verify that multiple executions of a process respect some specificprobabilistic property. This approach applies at runtime, thus the evaluation of the property is periodically verified and the corresponding results updated. Furthermore, we propose a probabilistic runtime enforcement mechanism to keep executing the process while avoiding the violation of the property. (iii) A well-defined resource allocation strategy is essential for optimising waiting times and costs by mitigating delays and enhancing resource utilisation. The third contribution presents a generic approach to dynamically adjust resource allocation during the execution of BPMN processes.In addition, we introduce a strategy relying on a predictive model for computing metrics of interest, including resource usage and average execution time, which allows us to anticipate the change in resources and thus improve by reducing process execution time, costs associated with resources and have a more balanced usage of resources.