返回

流程挖掘(PM)不同于数据挖掘(DM)

流程挖掘(PM)和数据挖掘(DM)本质上都是数据驱动的挖掘技术,但流程挖掘并不脱胎于数据挖掘领域,而是在流程管理的发展过程中诞生的。
数据挖掘(DM)虽然能够服务于特定的商业领域,但无法提供流程视角,无法实现完整的端到端的流程发现。数据挖掘“黑匣子”的运转模式,往往只能给出结论却无法追溯“为什么”。流程挖掘(PM)则更多地呈现不同视角下的流程路径,直观展现瓶颈和异常点,提供分析改进的量化依据。

流程挖掘数据挖掘(DM)相同点数据驱动,通过分析大数据发现真实联系,基于实际业务的数据可视化适用领域基于事件日志的流程视角和端到端的流程发现特定商业领域,如超时货架摆放、电商精准营销等,但无流程视角。算法技术流程挖是算法、一致性检查等数据挖掘算法,如以规则和决策树的形式提取抽象模式不同点易使用性通用性工具,无需员备专业数据分析知识,也可较快学习和使用需要数据科学专家根据实际场景选择合适的算法、参数和训练模型运行模式呈现不同视角下的流程路径,直观展现瓶颈和异常点,提供分析改进的量化依据黑箱模式,直接给出结论却无法追溯原因数据拟合异常数据、异常流程的分析对于低效和合规问题的分析是非常必要排除例外,追求泛化、标准化,避兔过度拟合数据
  • 流程挖掘(PM)
  • 数据挖掘(DM)
  • 相同点

数据驱动,通过分析大数据发现真实联系,基于实际业务的数据可视化

  • 不同点
  • 适用领域

    基于事件日志的流程视角和端到端的流程发现

    特定商业领域,如超时货架摆放、电商精准营销等,但无流程视角

  • 算法技术

    流程挖是算法、一致性检查等

    数据挖掘算法,如以规则和决策树的形式提取抽象模式

  • 易使用性

    通用性工具,无需具备专业数据分析知识,也可较快学习和使用

    需要数据科学专家根据实际场景选择合适的算法、参数和训练模型

  • 运行模式

    呈现不同视角下的流程路径,直观展现瓶颈和异常点,提供分析改进的量化依据

    黑箱模式,直接给出结论却无法追溯原因

  • 数据拟合

    异常数据、异常流程的分析对于低效和合规问题的分析是非常必要的

    排除例外,追求泛化、标准化,避免过度拟合数据