Process mining και τεχνητή νοημοσύνη: εργαλεία, τεχνικές και νέες τεχνολογίες στην ανάλυση επιχειρησιακών διαδικασιών

Abstract

Σε ένα περιβάλλον αυξανόμενης οργανωσιακής πολυπλοκότητας, ψηφιακού μετασχηματισμού και αυστηρότερων απαιτήσεων συμμόρφωσης, η αξιοποίηση δεδομένων εκτέλεσης επιχειρησιακών διαδικασιών αποτελεί κρίσιμο παράγοντα για τη βελτίωση της λειτουργικής αποδοτικότητας και την υποστήριξη τεκμηριωμένης λήψης αποφάσεων. Στο πλαίσιο αυτό, η παρούσα διπλωματική εργασία εξετάζει τη μεθοδολογία του Process Mining και το ρόλο της τεχνητής νοημοσύνης στην ανάλυση και την κατανόηση των επιχειρησιακών διαδικασιών. Σε θεωρητικό επίπεδο, παρουσιάζονται οι βασικές αρχές και κατηγορίες του Process Mining, όπως το process discovery, το conformance checking και το process enhancement, καθώς και η διαφοροποίησή του από παραδοσιακές μεθόδους ανάλυσης διαδικασιών. Παράλληλα, διερευνάται η συμβολή της τεχνητής νοημοσύνης ως υποστηρικτικού μηχανισμού που ενισχύει τις δυνατότητες ανάλυσης του process mining, επιτρέποντας τη μετάβαση από περιγραφικές σε διαγνωστικές και προγνωστικές μορφές ανάλυσης. Εξετάζονται επίσης σύγχρονες τάσεις, όπως το Object-Centric Process Mining και οι AI-assisted λειτουργίες σύγχρονων πλατφορμών process intelligence. Σε πρακτικό επίπεδο, η εργασία περιλαμβάνει μελέτη περίπτωσης της διαδικασίας προμηθειών Purchase-to-Pay (P2P), αξιοποιώντας το δημόσια διαθέσιμο dataset BPI Challenge 2019 και την πλατφόρμα Celonis. Η ανάλυση πραγματοποιείται μέσω τεχνικών process discovery, ανάλυσης παραλλαγών, ελέγχου συμμόρφωσης και αξιολόγησης χρόνων διεκπεραίωσης, σε συνδυασμό με AI-assisted εργαλεία για τον εντοπισμό κρίσιμων αποκλίσεων και των υποκείμενων αιτίων τους. Τα αποτελέσματα καταδεικνύουν ότι το process mining μπορεί να αποτυπώσει με ακρίβεια την πραγματική εκτέλεση σύνθετων επιχειρησιακών διαδικασιών, ενισχύοντας τη διαφάνεια, την κατανόηση των λειτουργικών μοτίβων και την υποστήριξη τεκμηριωμένων διοικητικών παρεμβάσεων.In an environment characterized by increasing organizational complexity, digital transformation, and stricter compliance requirements, the exploitation of business process execution data constitutes a critical factor for improving operational efficiency and supporting evidence-based decision-making. Within this context, the present thesis examines the methodology of Process Mining and the role of artificial intelligence in the analysis and understanding of business processes. At a theoretical level, the study presents the fundamental principles and core categories of Process Mining, namely process discovery, conformance checking, and process enhancement, highlighting its differentiation from traditional approaches to process analysis and modeling. In parallel, the contribution of artificial intelligence is explored as a supportive mechanism that enhances the analytical capabilities of process mining, enabling a transition from descriptive to diagnostic and predictive forms of analysis. Contemporary developments are also examined, including Object-Centric Process Mining and the AI-assisted functionalities of modern process intelligence platforms. At a practical level, the thesis includes a case study of the procurement process Purchase-to-Pay (P2P), utilizing the publicly available BPI Challenge 2019 dataset and the Celonis platform. The analysis is conducted through process discovery techniques, variant analysis, conformance checking, and performance evaluation, combined with AI-assisted tools for the identification of critical deviations and their underlying causes.

The results demonstrate that process mining can accurately capture the actual execution of complex business processes, enhancing transparency, improving the understanding of operational patterns, and supporting informed managerial interventions.