В статье предложена методика моделирования инновационных бизнес-процессов на основе семантического анализа текстовых документов в контексте нотаций DCOR-модели. Сущность методики заключается в последовательных этапах: семантический анализ концептов и анализ последовательности. Семантический анализ проводится в несколько этапов. Первый этап сводится к выявлению близости документов на основе расчета «весов» концептов. После этого рассчитывается семантическая близость концептов текущих регламентирующих документов и нотации DCOR-модели на основе алгоритма определения минимального расстояния между вершинами графа, определяющими близость концептов. Далее на основе сравнения последовательностей задач и операций проводится анализ последовательности выполнения операций. В результате реализации данной методики формируется концептуальная модель инновационного бизнес-процесса в контексте нотации DCOR, что является основой для последующей оптимизации структуры бизнес-процесса по следующим направлениям: исключение дублирования, объединение семантически схожих операций, применение лучших практик референтной модели. В отличие от традиционного подхода применение инструментов семантического анализа позволит повысить качество построенных моделей, а также сократить затраты человеческих ресурсов по их построению. Развитием данного метода является разработка инструментов автоматизированной оптимизации бизнес-процессов.
The article proposes a technique for automated modeling of innovative business processes based on semantic analyses tools in the context of DCOR model notations. The essence of the methodology consists in sequential stages: semantic analysis of concepts, sequence analysis. Semantic analysis is carried out in several stages. The first stage is reduced to identifying the proximity of documents based on the calculation of the “weights” of concepts, then a semantic network of documents is formed and the degree of their proximity is assessed. After that, the semantic proximity of the concepts of the current regulatory documents and the notation of the DCOR-model is calculated based on the algorithm for determining the minimum distance between the graph vertices that determine the proximity of the concepts. Further, based on a comparison of the sequences of tasks and operations, the sequence of operations is analyzed. As a result of the implementation of this technique, a conceptual model of an innovative business process is formed in the context of the DCOR notation, which is the basis for the subsequent optimization of the structure of the business process in the following areas: elimination of duplication, unification of semantically similar operations, application of the best practices of the reference model. In contrast to the traditional approach, the use of semantic analyses tools will improve the quality of the constructed models, as well as reduce the cost of human resources for their construction. Development of this method is the development of tools for automated optimization of business processes.
1. Шинкевич А.И., Барсегян Н.В. Пути повышения эффективности организации производственных процессов на нефтехимических предприятиях за счет применения систем автоматизации // Русский инженер. 2019. № 4. С. 48–51.
2. Lubnina A.A., Shinkevich M.V., Yalunina E.N., Gaydamashko I.V., Savderova A.F., Komissarova M.A. Innovative strategy for improving the efficiency of industrial enterprises management. Espacios. 2018. Т. 39. № 9. P. 25.
3. Сучков М.А., Галимулина Ф.Ф. Принципы управления криптоданными в рамках инновационного развития информационной среды предприятия // Наука и бизнес: пути развития. 2020. № 5 (107). С. 152–154.
4. Сергеев В.И. DCOR моделирование как развитие стандарта SCOR-модели // Логистика и управление цепями поставок. 2008. № 4 (27). С. 8–13.
5. Ou-Yang C., Yin I.H., Juan Y.C. A DCOR-based NPD process redesign approach with grounded theory evaluation. South African Journal of Industrial Engineering. 2019. Vol. 30 (2). P. 45–60.
6. Вицентий А.В., Шишаев М.Г., Диковицкий В.В. Опыт использования визуализации семантических моделей документов для экспресс-контент-анализа (на примере нормативно-правовых актов, регламентирующих развитие пространственно-распределенных систем) // Труды Кольского научного центра РАН. 2018. № 10–9 (9). С. 99–111.
7. Salton G., McGill M.J. Introduction to modern information retrieval. McGraw-Hill, 1983.
8. Варламов М.И., Коршунов А.В. Расчет семантической близости концептов на основе кратчайших путей в графе ссылок Википедии // Машинное обучение и анализ данных. 2014. Т. 1. № 8. С. 1107–1125.