Técnicas de modelagem para a análise de desempenho de processos de negócio

• Ano de defesa: 2011
• Autor(a) principal: Braghetto, Kelly Rosa
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Análise de Desempenho; Business Processes; Modelagem; Modeling; Performance Analysis; Processos de Negócio; Redes de Autômatos Estocásticos; Stochastic Automata Networks
• Link de acesso: http://www.teses.usp.br/teses/disponiveis/45/45134/tde-17112011-160718/

As recentes pesquisas na área de Gestão de Processos de Negócio (GPN) vêm contribuindo para aumentar a eficiência nas organizações. A GPN pode ser compreendida como o conjunto de métodos, técnicas e ferramentas computacionais desenvolvidas para amparar os processos de negócios. Tipicamente, a GPN é fundamentada por modelos de processos. Esses modelos, além de permitirem a automação da configuração e execução, aumentam a capacidade de análise dos processos de negócio. Apesar de auxiliar os especialistas de negócio nas diferentes fases envolvidas no ciclo de vida de um processo de negócio (projeto, configuração, implantação/execução e a análise), os modelos definidos em linguagens específicas de domínio, como a BPMN (Business Process Model and Notation), não são os mais apropriados para amparar a fase de análise. De formal geral, esses modelos não possuem uma semântica operacional formalmente definida (o que limita o seu uso para a verificação e validação dos processos) e nem mecanismos para quantificar o comportamento modelado (o que impossibilita a análise de desempenho). Neste trabalho de doutorado, nós desenvolvemos um arcabouço que ampara e automatiza os principais passos envolvidos na análise de desempenho de processos de negócio via modelagem analítica. Nós estudamos a viabilidade da aplicação de três formalismos Markovianos na modelagem de processos de negócio: as Redes de Petri Estocásticas, as Álgebras de Processo Estocásticas e as Redes de Autômatos Estocásticos (SAN, do inglês Stochastic Automata Networks). Escolhemos SAN como formalismo base para o método proposto neste trabalho. Nosso arcabouço é constituído por: (i) uma notação para enriquecer modelos de processos de negócio descritos em BPMN com informações sobre o seu gerenciamento de recursos, e (ii) um algoritmo que faz a conversão automática desses modelos não-formais de processos para modelos estocásticos em SAN. Com isso, somos capazes de capturar o impacto causado pela contenção de recursos no desempenho de um processo de negócio. A partir de um modelo em SAN gerado com o nosso arcabouço, podemos predizer variados índices de desempenho que são boas aproximações para o desempenho esperado do processo de negócio no mundo real.