Mineração de Processos - Fundamentos

Nesta aula veremos um pouco sobre a mineração de processos, área essa que relaciona a modelagem de sistemas com a ciência de dados, permitindo transformar registros de eventos em melhorias para processos.

A Figura representa o ciclo da mineração de processos, evidenciando suas principais etapas e contribuições para a melhoria contínua.

O processo inicia-se com a extração de dados provenientes de sistemas de informação, que registram as atividades executadas ao longo do projeto. Em seguida, ocorre a descoberta de processos, na qual modelos são gerados automaticamente a partir desses dados.

Na etapa de análise de desempenho, são avaliados indicadores como tempo, custo e eficiência, permitindo a identificação de gargalos e ineficiências. Paralelamente, a verificação de conformidade garante que os processos executados estejam alinhados com os modelos planejados.

Por fim, a etapa de melhoria de processos utiliza os insights obtidos para propor otimizações, fechando um ciclo iterativo de aprendizado organizacional. Dessa forma, a mineração de processos se consolida como uma ferramenta essencial para a gestão inteligente e contínua de projetos.

Dados é o novo petróleo!

Hoje em dia, nós estamos gerando uma quantidade de dados maior do que se juntarmos todas as informações da pré-história até o ano de 2003.

Estamos criando constantemente dados de evento (event data), quando

• marcamos uma consulta

• compramos uma xicara de café

• enviamos um e-mail

• assistimos um vídeo no YouTube

• através de todos os sensores em um smartphone

Quando falamos de todos esses dados sendo gravados, estamos falando da Internet dos Eventos.

Evolução na forma de criação e manipulação de fotos

Frequentemente, estamos gerando dados de eventos

Sensores e interfaces de smartphones capturam dados

Big Data

Hoje nós conseguimos criar e gravar uma enorme quantidade de dados.

Para se ter uma ideia dessa evolução, pode-se citar Lei de Moore é a observação de que o número de transistores em circuitos integrados dobra aproximadamente a cada dois anos, o que resulta em um aumento exponencial na capacidade de processamento dos computadores. Proposta por Gordon Moore em 1965, essa tendência impulsionou a evolução da tecnologia por décadas. No entanto, à medida que os transistores se aproximam dos limites físicos, a Lei de Moore começa a desacelerar, desafiando a indústria a buscar novas soluções, como a computação quântica.

2²⁰ = 1.048.576 * em 40 anos

Os 4 desafios do Big Data

Os desafios do Big Data são diversos e abrangem questões técnicas, organizacionais, legais e éticas. Entretanto, os principais desafios enfrentados são relacionados a:

• Volume: devido ao tratamento de grandes quantidades de dados

• Velocidade: devido a rapidez que os dados estão sendo criados e modificados

• Variedade: devido a necessidade de trabalhar com dados que mudam de tipo e de fontes como imagens, textos, vídeos.

• Veracidade: devido ao volume massivo de dados, pode existir uma dificuldade em verificar a confiabilidade dos dados

Entretanto, o maior desafio hoje é encontrar valor nesses dados.

A demanda por cientistas de dados

A crescente demanda por cientistas de dados é impulsionada pela necessidade das empresas de transformar grandes volumes de dados em informações úteis para tomar decisões mais informadas e estratégicas.

Cientistas de dados aplicam técnicas de mineração de dados, como clustering, classificação, regressão e análise preditiva, para extrair padrões e insights de conjuntos de dados complexos.

Esses profissionais desempenham um papel fundamental na análise de dados não estruturados e estruturados, utilizando ferramentas e algoritmos sofisticados para transformar dados brutos em conhecimento acionável.

Exemplo na Construção Civil:

Na construção civil, a mineração de dados e a ciência de dados podem ser aplicadas para melhorar a eficiência dos projetos e reduzir custos. Um exemplo prático seria o uso de análise preditiva para otimizar o cronograma de obras. Cientistas de dados podem analisar dados históricos de projetos anteriores, como tempos de construção, custos de materiais, condições climáticas e desempenho de equipamentos. Usando técnicas de mineração de dados, como modelagem preditiva, é possível identificar padrões que indicam quais fatores mais impactam o progresso de uma obra. Com essas informações, as empresas podem prever possíveis atrasos e ajustar os cronogramas de forma mais eficaz, além de otimizar os recursos, como mão de obra e equipamentos, garantindo um melhor controle de custos.

Outro exemplo é o uso de sensores IoT em canteiros de obras, que geram dados em tempo real sobre a utilização de máquinas e materiais. Cientistas de dados podem analisar esses dados para detectar ineficiências, prever manutenções de máquinas e otimizar o consumo de recursos.

Esses avanços proporcionam maior previsibilidade, redução de riscos e uma gestão mais eficaz em grandes projetos de construção civil.

Visão de dados

As planilhas podem ser usadas para fazer qualquer coisa com números, mas têm dificuldades em capturar adequadamente o comportamento dinâmico.

Visão de processo

Van der Aalst critica a abordagem que foca apenas em padrões ou decisões isoladas, pois acredita que o verdadeiro valor está em entender e otimizar o processo de ponta a ponta. Ele considera “estúpido” tratar processos como uma coleção desconexa de boas práticas ou intervenções pontuais, pois, isso ignora a eficiência global e os impactos no resultado final. Um processo pode ter partes otimizadas, mas se o fluxo completo não funcionar bem, o desempenho geral será comprometido. O foco em processos de ponta a ponta é essencial para alinhar eficiência local e global, gerando melhores resultados.

Visão da mineração de processos

O comportamento dinâmico precisa estar relacionado a modelos de processo. Portanto, Aalst (2016) refere a isso como “ciência de dados em ação”.

Exemplos de aplicações incluem:

• analisar processos de tratamento em hospitais,

• melhorar processos de atendimento ao cliente

• em uma corporação multinacional, entender o comportamento de clientes

• usando um site de reservas, analisar falhas de um sistema de manuseio de bagagem e

• melhorar a interface do usuário de uma máquina de raio-X.

Exemplo na Construção Civil

Imagine a execução de um edifício em que as equipes atuam de forma isolada, cada uma buscando otimizar apenas sua própria atividade, como alvenaria ou instalações elétricas. Embora isso possa gerar ganhos locais de produtividade, a falta de integração entre as etapas compromete o desempenho global do projeto.

Por exemplo, se a equipe de elétrica for mobilizada antes da conclusão da alvenaria, não haverá condições adequadas para iniciar o trabalho. Isso gera tempo ocioso, desperdício de recursos e possíveis atrasos em cadeia. Esse cenário evidencia que a otimização isolada não garante eficiência do sistema como um todo.

Uma abordagem orientada por processos permite alinhar as atividades conforme suas interdependências, evitando mobilizações prematuras e melhorando a coordenação do fluxo de trabalho, o que resulta em maior eficiência e previsibilidade.

A Figura apresenta uma comparação entre a abordagem tradicional de gestão de obras, caracterizada por uma visão fragmentada, e a abordagem baseada em mineração de processos.

No modelo tradicional, observa-se que as equipes trabalham de forma isolada, focando apenas em suas tarefas específicas, o que frequentemente resulta em desalinhamento, atrasos e retrabalhos. Problemas como a execução de atividades fora de sequência evidenciam a ausência de integração entre as etapas do projeto.

Por outro lado, a mineração de processos oferece uma visão integrada do fluxo de trabalho, desde a concepção até a entrega da obra. Essa abordagem permite a construção de cronogramas mais realistas e interdependentes, favorecendo a coordenação eficiente das atividades.

Como resultado, destacam-se benefícios como redução de custos, aumento da produtividade, melhoria da qualidade e maior satisfação do cliente, evidenciando a superioridade da abordagem orientada por dados em relação ao modelo tradicional.

Visão fragmentada:

• Foco: Cada equipe trabalha de forma isolada, otimizando apenas suas tarefas.

• Problema: A equipe de encanamento inicia seu trabalho antes que a estrutura esteja completamente pronta, causando atrasos e retrabalhos.

Visão da mineração de processos:

• Foco: O processo de construção como um todo, desde a concepção do projeto até a entrega da obra.

• Solução: Criação de um cronograma detalhado, com todas as etapas interligadas e prazos bem definidos. As equipes são informadas sobre as dependências entre as tarefas, evitando atrasos e otimizando o uso de recursos.

Benefícios da visão de mineração de processos na construção civil:

• Redução de custos: Minimização de retrabalhos, otimização do uso de materiais e redução de tempo de obra.

• Melhora da qualidade: Aumento da precisão e da qualidade do trabalho, com menos erros e defeitos.

• Aumento da produtividade: Melhor coordenação entre as equipes, redução de interrupções e otimização do fluxo de trabalho.

• Maior satisfação do cliente: Entrega do projeto dentro do prazo e com a qualidade esperada.

A Figura ilustra como a mineração de processos pode ser integrada ao planejamento de projetos de construção civil, promovendo uma abordagem orientada por dados. A partir da coleta e análise de registros de eventos, é possível estruturar um mapa de processo otimizado, permitindo maior transparência nas etapas do projeto.

A aplicação dessa abordagem possibilita a identificação antecipada de riscos e ineficiências, contribuindo para a melhoria na alocação de recursos e na coordenação do fluxo de trabalho. Além disso, destaca-se o papel da comunicação clara entre equipes, que reduz falhas de integração e retrabalhos.

De forma geral, a mineração de processos permite transformar o planejamento tradicional em um processo proativo, no qual decisões são tomadas com base em evidências, aumentando significativamente as chances de sucesso do empreendimento.