기술 요약: 구조화 인지 비즈니스 프로세스 분류를 위한 스코어링 기반 접근 방식

문제 정의

비즈니스 프로세스는 고도로 표준화된 워크플로에서부터 지식 집약적인 느슨한 구조의 활동에 이르기까지 예측 가능성과 유연성의 정도가 매우 다양합니다. 이러한 스펙트럼은 일반적으로 구조적(structured), 반구조적(semi-structured), 느슨한 구조(loosely structured), 그리고 **비구조적(unstructured)**의 네 가지 클래스로 분류됩니다. 프로세스의 구조화 정도를 식별하는 것은 조직이 적절한 모델링 패러다임(예: 명령형 대 선언형 언어)을 선택하고 거버넌스 및 개선 이니셔티브에 정보를 제공하는 데 있어 매우 중요합니다.

그러나 현재의 프로세스 마이닝 기술은 이벤트 로그로부터 프로세스의 구조화 정도를 직접 평가하기 위한 자동화된 지원이 부족합니다. 기존의 접근 방식은 종종 트레이스 변이(trace variants)에 대한 수동 분석에 의존하거나, 도메인 전문가가 행동 패턴을 해석하도록 요구하며, 이는 주관성과 확장성 문제를 야기합니다. 또한, 기존의 디스커버리 알고리즘은 행동 패턴을 특정 모델링 언어(예: BPMN 또는 Declare)에 매핑할 뿐, 근본적인 프로세스 행동에 대한 자동화되고 언어 중립적인 분류를 제공하지 못합니다. 본 연구가 다루는 핵심 연구 질문은 다음과 같습니다: 주어진 이벤트 로그에서 행동 패턴을 관찰함으로써 프로세스의 구조화 수준을 어떻게 자동으로 분류할 수 있는가?

방법론

제안된 접근 방식은 두 가지 주요 단계로 작동하는 스코어링 기반 분류 시스템입니다: (1) 이벤트 로그로부터 미세한 활동 관계를 자동으로 발견하는 단계, (2) 가중치가 부여된 스코어링 휴리스틱을 적용하여 로그를 구조화 클래스로 분류하는 단계.

1. 확장된 활동 관계 표기법

저자들은 전통적인 직접 후속 그래프(Directly Follows Graphs, DFG)보다 프로세스 행동을 더 정밀하게 포착하기 위해 Andree 등[14]이 도입한 활동 관계 표기법을 확장합니다. 이 표기법은 두 가지 차원의 의존성을 구분합니다:

• 시간적 의존성 ($d_{temp}$): 활동의 순서입니다. 저자들은 직접적인 계승을 명시적으로 제외하기 위해 "진정한 종국적(true eventual)" 의존성($\prec_t$)을 도입하여 일반적인 종국적 의존성과 차별화했습니다. 또한, 병렬 활동에 대해 관찰된 순서가 없는 경우($x$)와 양방향 순서($-$)를 구분합니다.
• 존재적 의존성 ($d_{exist}$): 활동 간의 발생 의존성(예: 함축, 공존, 독립성)입니다.

이 이중 차원 접근 방식은 프로세스 행동을 언제 발생하는지와 발생 여부를 분리하여 더욱 미묘하게 특징짓는 것을 가능하게 합니다.

2. 관계 발견 알고리즘

저자들은 이벤트 로그를 입력으로 받아 **활동 관계 행렬(Activity Relationships Matrix)**을 구축하는 발견 알고리즘(알고리즘 1 및 2)을 개발했습니다.

• 전처리: 알고리즘은 자동화된 트레이스 수준 노이즈 필터링 메커니즘을 사용합니다. 이 메커니즘은 임의의 허용 오차 파라미터에 의존하지 않고, 정당한 프로세스 변이와 노이즈를 분리하기 위해 간격 기반 추정치(gap-based estimator)와 크기 인식 바닥 기반 추정치(size-aware floor-based estimator)를 사용하여 최소 변이 빈도 임계값을 도출합니다.
• 시간적 발견: 알고리즘은 활동 쌍의 순서를 분석하기 위해 강력 연결 성분(Strongly Connected Components, SCC)을 활용하여 루프를 처리하고, 직접, 종국적, 그리고 진정한 종국적 의존성을 구분합니다.
• 존재적 발견: 알고리즘은 활동 쌍의 존재 여부에 따라 트레이스를 분류하여 존재적 유형(예: 함축, 공존, 독립성)을 결정합니다.
• 검증: 알고식은 다양한 제어 흐름 패턴(병렬성, XOR, 루프, 중첩)을 포함하는 합성 로그를 통해 검증되었습니다. 알고리즘은 노이즈가 없는 로그에서 시간적 및 존재적 의존성을 발견하는 데 100% 정확도를 달성했으며, 트레이스 수준 필터를 적용한 후 노이즈가 있는 로그에서도 이 정확도를 유지했습니다.

3. 스코어링 기반 분류 휴리스틱

활동 관계 행렬이 생성되면, 스코어링 알고리즘은 로그를 네 가지 구조화 클래스($S, SS, LS, US$) 중 하나로 분류합니다.

• 사전 필터링: 특정 사전 필터는 비구조적(Unstructured, US) 프로세스를 식별합니다. 모든 활동 쌍이 동일한 시간적 및 존재적 유형(특히 독립성)을 공유하고 직접 후속 관계가 존재하지 않으면 프로세스는 비구조적으로 분류됩니다.
• 가중치 스코어링: 나머지 클래스의 경우, 알고리즘은 관계 유형의 분포를 기반으로 가중치 스코어를 계산합니다.
  • 한계(Marginal) vs 결합(Joint) 비율: 시스템은 각 관계 유형의 비율을 계산합니다. 시스템은 지배 기반 선택(dominance-based selection) 메커니즘을 채택합니다: 특정 결합 형태(예: 시간적 독립성 + 존재적 함축)가 한계 슬롯을 지배(임계값 $\theta = 0.35$ 초과)하는 경우, 특정 결합 가중치가 적용됩니다. 그렇지 않으면 한계 가중치가 사용됩니다.
  • 클래스별 가중치: 가중치는 구조화 클래스의 정의에 따라 할당됩니다. 예를 들어, 직접적인 시간적 의존성과 존재적 공존은 구조적 클래스에 높은 양(+)의 가중치를 받는 반면, 존재적 독립성은 느슨한 구조에 높은 양의 가중치를, 구조적 클래스에는 음(-)의 가중치를 받습니다.
• 경계 탐지: 상위 두 클래스 간의 스코어 차이가 임계값($\delta = 0.2$) 미만인 경우, 출력은 경계 사례(예: $S/SS$)로 표시됩니다.

주요 기여

1. 자동화된 구조화 분류: 본 논문은 수동 개입이나 참조 모델 없이 이벤트 로그를 구조화 클래스($S, SS, LS, US$)로 분류하는 최초의 자동화된 접근 방식을 제안합니다.
2. 확장된 표기법 및 발견 알고리즘: 저자들은 활동 관계 표기법의 확장(진정한 종국적 의존성 포함)과 이를 이벤트 로그에서 직접 추출하는 대응하는 발견 알고리즘을 도입하여, 기존 방법들이 BPMN 다이어그램으로부터 수동으로 도출해야 했던 한계를 극복했습니다.
3. 합성 데이터셋: 전체 스펙트럼을 커버하는 38개의 레이블이 지정된 합성 이벤트 로그 데이터셋을 생성하여 분류 휴리스틱을 훈련하고 검증했습니다.
4. 실증적 검증: 제안된 방식은 합성 데이터셋과 실제 및 합성 프로세스를 분류하는 전문가 설문을 통해 평가되었습니다.

결과

• 알고리즘 정확도: 발견 알고리즘은 트레이스 수준 필터링이 적용된 경우 노이즈가 있는 로그에서도 시간적 및 존재적 의존성을 식별하는 데 100% 정확도를 달랐습니다.
• 분류 성능:
  • 8개의 프로세스(P1–P8)와 13명의 참가자가 참여한 평가에서, 알고리즘의 분류는 대부분의 경우 전문가의 평가 및 문헌에서 도출된 정답(ground truth)과 일치했습니다.
  • 구조적(P3, P4) 및 비구조적(P8) 프로세스의 경우, 알고리즘은 전문가와 높은 일치도를 보였습니다.
  • 반구조적(P1, P2) 프로세스의 경우, 알고리즘은 지배적인 특성을 올바르게 식별하여 대다수 전문가 의견과 일치했습니다.
  • **느슨한 구조(P5, P6, P7)**의 경우, 결과가 혼재되었습니다. P5에서 알고리즘은 프로세스를 반구조적이라고 분류했으나 문헌에서는 이를 느슨한 구조로 설명했습니다. 저자들은 이를 실제 로그의 "분산된 유연성(distributed flexibility)" 때문으로 설명합니다. 즉, 독립성이 단일 지배적 결합 패턴에 집중되지 않고 여러 시간적 유형에 걸쳐 분산되어 있어, 지배 기반 스코어링이 한계 가중치를 기본값으로 사용하게 만든 것입니다.
• 인간 vs 기계: 설문 조사 결과, 프로세스의 양 극단(매우 구조적이거나 비구조적인 경우)에 대해서는 수동 분류가 일반적으로 용이하지만, 중간 단계(반구조적 및 느슨한 구조)에 대해서는 훨씬 더 어려워진다는 것이 밝혀졌습니다. 이는 중간 단계의 구조화 정도를 구별하는 인지적 복잡성을 처리하는 데 있어 자동화된 접근 방식의 가치를 강조합니다.

의의 및 주장

본 논문은 프로세스 구조화 분석을 위한 체계적이고 객관적인 토대를 제공한다고 주장합니다. 구조화 클래스를 해석 가능한 활동 의존성 패턴과 연결함으로써, 이 접근 방식은 수동 전문가 평가를 대체할 수 있는 재현 가능한 대안을 제시합니다.

저자들은 자신들의 기여가 "블랙박스" 형태의 머신러닝 모델이 아니라, 분류 결과를 특정 행동 특성(예: 독립성 대 직접 계승의 보편성)과 명시적으로 연결하는 이론 기반의 스코어링 접근 방식임을 강조합니다. 이러한 해석 가능성은 프로세스 분석 및 의사결정의 핵심적인 장점으로 제시됩니다.

논문은 다음과 같은 한계점을 겸허히 인정합니다:

• 분류는 기초가 되는 발견 알고리즘과 노이즈 필터링의 품질에 의존합니다.
• 지배 기반 메커니즘은 유연성이 집중되지 않고 분산되어 있는 실제 로그에서 어려움을 겪을 수 있으며, 이는 복잡한 프로세스에 대한 경계 분류로 이어질 수 있습니다.
• "비구조적" 클래스는 이론적인 에지 케이스(edge case)로 취급되며, 실제 환경에서의 경험적 발생 여부는 여전히 열려 있는 문제입니다.
• 현재 방식은 최적의 노이즈 필터링을 위해 변이 빈도 분포에 명확한 간격(gap)이 필요합니다. 이러한 간격이 없는 높은 변동성의 로그에서는 폴백(fallback) 메커니즘의 정밀도가 떨어질 수 있습니다.

궁극적으로, 이 연구는 조직이 프로세스를 자동으로 특징지을 수 있게 하여, 광범-한 수동 분석 없이도 적절한 모델링 패러다임을 선택하고 프로세스 성숙도 평가를 지원하는 것을 목표로 합니다.