JP7598129B2

JP7598129B2 - プロセスのためのボトルネック検出

Info

Publication number: JP7598129B2
Application number: JP2021569980A
Authority: JP
Inventors: コピエール，マルティン; ヨハナススチープンス，ローランド
Original assignee: UiPath Inc
Current assignee: UiPath Inc
Priority date: 2020-03-11
Filing date: 2020-09-16
Publication date: 2024-12-11
Anticipated expiration: 2040-09-16
Also published as: US20210286658A1; WO2021183180A1; US11836536B2; US20220206878A1; US11314561B2; EP4118598A1; KR20220152916A; CN113906404A; JP2023517404A

Description

（関連出願の相互参照）
本出願は、２０２０年３月１１日に出願された米国実用特許出願第１６／８１６，１８４号の優先権を主張し、その開示はその全体が参照により本明細書に組み込まれる。

本発明は、一般に、プロセスマイニングに関し、より詳細には、プロセスのボトルネック検出に関する。

プロセスは、製品またはサービスを提供するために実行される一連のアクティビティである。プロセスマイニングでは、効率を改善し、プロセスのより良い理解を得るために、傾向、パターン、および他のプロセス解析尺度を識別するためにプロセスが解析される。しかしながら、現在のプロセスマイニング技術は、プロセスにおけるボトルネックの識別を可能にするためのプロセスの性能に関する十分な解析データを提供しない。そのようなボトルネックは、プロセスの性能を制限し、不必要な遅延、収益の損失、およびユーザの不満をもたらす可能性がある。

１つまたは複数の実施形態によれば、ボトルネックを識別するためにプロセスを解析するためのシステムおよび方法が提供される。イベントログは、プロセスの複数の実行インスタンスの間に維持される。イベントログは、複数の実行インスタンスの間に実行されたセグメントを識別し、セグメントの各々はプロセスの一対のアクティビティを表す。識別されたセグメントの各々のメトリックが計算され、ボトルネックを有する可能性が最も高い識別されたセグメントのうちの１つが、メトリックに基づいて識別される。プロセスは、ロボティックプロセスオートメーションプロセスであってもよい。

一実施形態では、プロセスの複数の実行インスタンスについてのイベントログが受信され、複数の実行インスタンスのうちの１つまたは複数の間に実行されたセグメントがイベントログから識別される。セグメントは、プロセスの一対のアクティビティを表し、一対のアクティビティは、送信元アクティビティおよび宛先アクティビティを含み、宛先アクティビティの実行は、イベントログにおける送信元アクティビティの実行に直接続く。識別されたセグメントの各特定のセグメントについて、イベントログに基づいて特定のセグメントの１つまたは複数の実行インスタンスの各々について性能の尺度が計算され、計算された性能の尺度に基づいて特定のセグメントの１つまたは複数の実行インスタンスの各々が分類され、特定のセグメントの分類された１つまたは複数の実行インスタンスに基づいて特定のセグメントについての１つまたは複数のメトリックが計算される。識別されたセグメントは、１つまたは複数のメトリックに基づいて互いに比較され、ボトルネックを有する可能性が最も高い識別されたセグメントのうちの１つを識別する。

一実施形態では、性能の尺度は一対のアクティビティ間の時間間隔である。

一実施形態では、特定のセグメントの１つまたは複数の実行インスタンスの各々は、Ｊｅｎｋｓ自然分類最適化アルゴリズムを使用して複数のクラスのうちの１つに分類される。特定のセグメントの１つまたは複数のメトリックは、１）特定のセグメントのクラス間の平均差を表す特定のセグメントについての効果量メトリック、２）特定のセグメントの最良性能クラスと他のクラスとの間の時間差を表す特定のセグメントについての損失時間メトリック、および３）特定のセグメントの全体性能に対する寄与を表す重み付き影響メトリックを計算することによって計算される。

一実施形態では、識別されたセグメントは、１つまたは複数のメトリックに基づいて識別されたセグメントをランク付けすることによって互いに比較される。識別されたセグメントは、効果量メトリック、損失時間メトリック、および重み付き影響メトリックの各々について識別されたセグメントの個々のランク付けを決定し、個々のランク付けを組み合わせることによって識別されたセグメントの総合ランク付けを決定することによってランク付けされ得る。ボトルネックを有する可能性が最も高いセグメントの１つが、総合ランク付けに基づいて識別され得る。

一実施形態では、比較の結果が表示される。

本発明のこれらおよび他の利点は、以下の詳細な説明および添付の図面を参照することによって当業者に明らかになるであろう。

本発明の１つまたは複数の実施形態による、ボトルネック検出のために解析され得る例示的なプロセスを示す図である。

本発明の１つまたは複数の実施形態による、ボトルネック検出のためのプロセスを解析するための方法を示す図である。

本発明の１つまたは複数の実施形態による、図１のプロセスの例示的なイベントログを示す図である。

本発明の１つまたは複数の実施形態による、セグメントをランク付けするための例示的な表を示す図である。

本発明の１つまたは複数の実施形態による、セグメント概要のダッシュボードを示す図である。

本発明の１つまたは複数の実施形態による、プロセスの解析の時間的観点のダッシュボードを示す図である。

本発明の１つまたは複数の実施形態による、プロセスの解析の事例的観点のダッシュボードを示す図である。

本発明の１つまたは複数の実施形態による、プロセスの解析の組織的観点のダッシュボードを示す図である。

１つまたは複数の実施形態による、プロセスの解析の制御フロー的観点のダッシュボードを示す図である。

１つまたは複数の実施形態による、プロセスの解析の制御フロー的観点からエッジ横断率を示すプロセスの結合ビューのダッシュボードを示す図である。

１つまたは複数の実施形態による、プロセスの解析の制御フロー的観点からの平均スループット時間を示すプロセスの結合ビューのダッシュボードを示す図である。

本発明の一実施形態によるコンピューティングシステムのブロック図である。

プロセスは、いくつかの異なるアプリケーションのための製品またはサービスを提供するために利用され得る。そのようなプロセスの例示的なアプリケーションには、管理アプリケーション（例えば、新しい従業員の新人研修）、調達支払アプリケーション（例えば、購入、請求書管理、および支払いの円滑化）、および情報技術アプリケーション（例えば、発券システム）が含まれる。例示的なプロセス１００が図１に示されている。プロセス１００は、請求書を処理および支払いするためのビジネスプロセスである。一実施形態では、プロセス１００は、１つまたは複数のＲＰＡロボットを使用してタスクを自動的に実行するためのロボティックプロセスオートメーション（ＲＰＡ）ワークフローとして実施されてもよい。

プロセス１００は、プロセス１００における所定のシーケンスのステップを表すアクティビティ１０２～１１４を含む。図１に示すように、プロセス１００は、各アクティビティ１０２～１１４がノードとして表され、アクティビティ１０２～１１４間の各遷移がノードをリンクするエッジとして表される有向グラフとしてモデル化されている。アクティビティ間の遷移は、送信元アクティビティから宛先アクティビティへのプロセス１００の実行を表す。プロセス１００は、請求書受信アクティビティ１０２で開始し、受信請求書確認アクティビティ１０４に進む。受信した請求書が、受信請求書確認アクティビティ１０４において情報が欠落していると判定された場合には、プロセス１００は、請求書最終確認アクティビティ１１０に進む前に、データ要求アクティビティ１０６および契約条件確認アクティビティ１０８に進む。受信した請求書が、受信請求書確認アクティビティ１０４において情報が欠落していないと判定された場合には、プロセス１００は、請求書最終確認アクティビティ１１０に直接進む。次に、プロセス１００は、請求書承認アクティビティ１１２および請求書支払アクティビティ１１４に進む。プロセス１００の実行は、イベントログの形態で記録される。

時には、プロセス１００の実行がボトルネックに起因して妨げられることがある。本明細書で使用される場合、ボトルネックは、プロセス１００の実行に悪影響を及ぼすプロセス１００の一組の１つまたは複数のアクティビティを指す。プロセス１００の実行は、例えば、スループット（すなわち、実行）時間、リソース使用量、収益、サポート解決時間、または任意の他の性能インジケータなどの任意の適切なメトリックに基づいて悪影響を受ける可能性がある。例えば、プロセス１００の実行は、最大スループット時間、最小リソース使用量、最小収益成長率、収益成長率、サポート解決時間などの任意のメトリックに基づいて悪影響を受ける可能性がある。そのようなボトルネックは、プロセス１００の実行を制限し、不必要な遅延、収益の損失、およびユーザの不満をもたらす可能性がある。

本発明の実施形態によれば、プロセス（例えば、プロセス１００）は、プロセスにおけるボトルネックを識別するために解析される。ボトルネックの根本原因の特定を容易にするために、解析の様々な態様を１つまたは複数のダッシュボードで視覚化することができる。有利には、本発明の実施形態によるボトルネックを識別するためのプロセスの解析は、そのようなボトルネックの根本原因を軽減または排除することを可能にし、それによってプロセスの効率および性能を改善する。

図２は、１つまたは複数の実施形態による、ボトルネック識別のためのプロセスを解析するための方法２００を示す。図２は、引き続き図１のプロセス１００を参照して説明される。一実施形態では、方法２００のステップは、ボトルネック検出のためにプロセス１００を解析するために実行される。方法２００のステップは、例えば図１２のコンピュータ１２００などの任意の適切なコンピューティングデバイスによって実行することができる。

ステップ２０２において、プロセスの複数の実行インスタンスについてのイベントログが受信される。イベントログは、プロセスの複数の実行インスタンスの間に発生するイベントを記録することによって、プロセスの複数の実行インスタンスの間に維持されてもよい。イベントは、特定の時間および特定の事例におけるアクティビティの実行を指す。事例は、プロセスの単一の実行インスタンスに対応し、事例識別子（ＩＤ）によって識別される。一実施形態では、各イベントは、実行されたアクティビティのラベル、アクティビティの実行のタイムスタンプ、および実行されたアクティビティの実行インスタンスを識別する事例ＩＤを含むタプルとして表すことができる。

図３は、１つまたは複数の実施形態による、図１のプロセス１００の例示的なイベントログ３００を示す。イベントログ３００は、イベントログ３００内の事例ＩＤ１および事例ＩＤ２に対応する、プロセス１００の２つの実行インスタンス中に発生したイベントを記録する。図３に示すように、イベントログ３００は、各々がイベントに対応する行３０２と、各々が行３０２と列３０４とが交差するセルにおけるイベントの属性を識別する列３０４と、を有する表としてフォーマットされる。具体的には、各行３０２は、アクティビティ１０２～１１４の実行を表すイベント（列３０４－Ｂで識別される）、アクティビティ１０２～１１４の実行のタイムスタンプ（列３０４－Ｃで識別される）、および実行されたアクティビティ１０２～１１４の実行インスタンスを識別する事例ＩＤ（列３０４－Ａで識別される）に関連する。一実施形態では、列３０４－Ｃで識別されるアクティビティ１０２－１１４の実行のタイムスタンプは、アクティビティ１０２－１１４の実行が完了した時刻を指すが、あるいはアクティビティ１０４－１１４の実行が開始された時刻を指してもよい。一実施形態では、イベントログ３００は、図３に示すように、各イベントについて、実行されたアクティビティのラベル、アクティビティの実行のタイムスタンプ、および実行されたアクティビティの実行インスタンスを識別する事例ＩＤのみを識別する。しかしながら、イベントログ３００は、任意の適切なフォーマットであってもよく、イベントの他の属性を識別する追加の列３０４を含んでもよいことを理解されたい。

ステップ２０４において、プロセスの複数の実行インスタンスのうちの１つまたは複数の間に実行されたセグメントがイベントログから識別される。各セグメントは、プロセスにおける一対のアクティビティを表す。一対のアクティビティは、本明細書では＜送信元アクティビティ、宛先アクティビティ＞として示される送信元アクティビティおよび宛先アクティビティを含み、宛先アクティビティの実行はイベントログ内の送信元アクティビティの実行に直接続く。セグメントは、一対のアクティビティを識別するためにイベントログにおける各実行インスタンスをトラバースすることによって識別される。一例では、図３のイベントログ３００において、以下のセグメントが識別され得る。すなわち、＜請求書受信、受信請求書確認＞、＜受信請求書確認、請求書最終確認＞、＜受信請求書確認、データ要求＞、＜データ要求、契約条件確認＞、＜契約条件確認、請求書最終確認＞、＜請求書最終確認、請求書承認＞、および＜請求書承認、請求書支払＞である。

ステップ２０６において、イベントログに基づいて、識別されたセグメントのうちの特定のセグメントの１つまたは複数の実行インスタンスの各々について、性能の尺度が計算される。一実施形態では、特定のセグメントの特定の実行インスタンスの性能の尺度は、その特定の実行インスタンスのセグメントの送信元アクティビティと宛先アクティビティとの間の時間間隔である。時間間隔は、イベントログから特定の実行インスタンスについての送信元アクティビティの実行のタイムスタンプおよび宛先アクティビティの実行のタイムスタンプを抽出し、宛先アクティビティの実行のタイムスタンプと送信元アクティビティの実行のタイムスタンプとの間の差を判定することによって計算され得る。例えば、事例ＩＤ１の実行インスタンスのセグメント＜受信請求書確認、請求書最終確認＞に関連する時間間隔は、図３のイベントログ３００から２日、３時間、および１０秒として計算され得る。別の例では、事例ＩＤ１の実行インスタンスのセグメント＜請求書最終確認、請求書承認＞に関連する時間間隔は、図３のイベントログ３００から１日、２０時間、３５分、および３秒として計算され得る。時間間隔は、例えば、秒、分、時間、日、月、および／または年などの任意の適切なフォーマットであってもよい。例えば、リソース使用量、収益値、占有率、あるいは数値に基づいており、送信元アクティビティおよび宛先アクティビティに対して個別に計算／測定することができる任意の他の適切な尺度などの、他の性能の尺度も使用することができる。

ステップ２０８において、特定のセグメントの１つまたは複数の実行インスタンスの各々は、計算された性能の尺度に基づいて複数のクラスのうちの１つに分類される。一実施形態では、特定のセグメントの１つまたは複数の実行インスタンスの各々は、各クラス内の変動を最小化することによって機能する周知のＪｅｎｋｓ自然分類最適化アルゴリズムを使用して、複数のクラスのうちの１つに分類される。Ｊｅｎｋｓ自然分類最適化アルゴリズムは、ＧｅｏｒｇｅＦ．Ｊｅｎｋｓによる「ＯｐｔｉｍａｌＤａｔａＣｌａｓｓｉｆｉｃａｔｉｏｎｆｏｒＣｈｏｒｏｐｌｅｔｈＭａｐｓ」に記載されている。任意の他の適切なデータクラスタリングアルゴリズムを使用することもできる。

Ｊｅｎｋｓ自然分類最適化アルゴリズムは、特定のセグメントの１つまたは複数の実行インスタンスの性能の尺度を含むデータセットＱを、クラスを描写する異なるブレークポイントを使用してデータセットを反復的に分割することによって、同様の性能のｎ個のクラスＱ_ｉに分割する。例えば、７６００、３４８０、２２０、５００、１５００、および１７００の時間間隔を有する６つの実行インスタンスの間に実行されるセグメント＜請求書受信、受信請求書確認＞を考える。所与のデータセット
Ｑ＝［７６００、３４８０、２２０、５００、１５００、１７００］の場合、Ｊｅｎｋｓ自然分類最適化アルゴリズムは、Ｑのｎ個の所定数のクラスへの最適分割を作成しようと試みる。この例では、ｎ＝３である。Ｊｅｎｋｓ自然分類最適化アルゴリズムは、以下のようにステップ１～５を適用する。

ステップ１：データセットＱをソートし、任意に（例えば、ランダムに）ブレークポイントを選択する。したがって、ソートされたデータセットＱ＝［２２０，５００，１５００，１７００，３４８０，７６００］
任意に選択されたブレークポイントにより、クラスＱ_ｂｐ＝［２２０］、［５００，１５００，１７００，３４８０］、［７６００］が得られる。

ステップ２：各クラスＱ_ｂｐについての配列平均（ＳＤＡＭ）についての偏差の二乗和を計算する。ＳＤＡＭは、式１に従って計算することができる。
ソートされたデータセットＱに式１を適用すると、以下が得られる。
ＳＤＡＭ＝（２２０－２５００）^２＋（５００－２５００）^２＋（１５００－２５００）^２＋（１７００－２５００）^２
＋（３４８０－２５００）^２＋（７６００－２５００）^２＝３７，８０８，８００

ステップ３：各クラスＱ_ｂｐについてクラス間の偏差の二乗和（ＳＤＢＣ）を計算する。ＳＤＢＣは、式２に従ってクラスＱ_ｂｐごとに計算することができる。
式２を各クラスＱ_ｂｐに適用すると、以下が得られる。
ＳＤＢＣ＝（２２０－２２０）^２
＋｛（５００－１７９５）^２＋（１５００－１７９５）^２＋（１７００－１７９５）^２
＋（３４８０－１７９５）^２｝＋（７６００－７６００）^２＝４，６１２，３００

ステップ４：各クラスＱ_ｂｐについてクラス平均（ＳＤＣＭ）の偏差の二乗和を計算する。ＳＤＣＭは、式３に従ってクラスＱ_ｂｐごとに計算することができる。
ＳＤＣＭ＝ＳＤＡＭ－ＳＤＢＣ．（式３）
式３を適用すると、ＳＤＣＭ＝３７，８０８，８００－４，６１２，３００＝３３，１９６，５００となる。

ステップ５：すべての可能なブレークポイントの組み合わせについてステップ２～４を繰り返す。ＳＤＣＭが最も高いブレークポイントの組み合わせが選択される。したがって、特定のセグメントの１つまたは複数の実行インスタンスの各々は、最も高いＳＤＣＭとのブレークポイントの組み合わせによって定義される複数のクラスのうちの１つに分類される。

一実施形態では、クラスの最適な数ｎは、異なる数のクラスのデータセットＱに対してＪｅｎｋｓ自然分類最適化アルゴリズムを繰り返し実行することによって決定することができる。例えば、Ｊｅｎｋｓ自然分類最適化アルゴリズムは、ｎ＝１，．．．，ｘのいくつかのクラスに対して繰り返し実行されてもよく、ｘはデータセットＱ内の項目の数である。この例では、ｘ＝６である。Ｊｅｎｋｓ自然分類最適化アルゴリズムは、クラスの数ごとに適合度（ＧＶＦ）尺度を提供する。ＧＶＦ測定値は、ＧＶＦ＝（ＳＤＡＭ－ＳＣＤＭ）／ＳＤＡＭとして計算することができ、０のＧＶＦ尺度は適合なしを示し、１のＧＶＦ尺度は完全な適合を示す。ＧＶＦを最大化すると、データセットＱ内の項目の数と等しいクラスの最適な数が常にもたらされる（すなわち、ＧＶＦ＝１）。したがって、ｎ個のクラスのＧＶＦとｎ＋１個のクラスのＧＶＦとの間の変化率を示す適合度変化（ＲＧＶＦＣ）尺度が計算される。ｎ個のクラスのＲＧＶＦＣは、ＲＧＶＦＣ＝（ＧＶＦ_ｎ＋１－ＧＶＦ_ｎ）／ＧＶＦ_ｎとして計算される。最適なクラス数は、最大ＧＶＦ値を有するがＲＧＶＦＣしきい値を超えないＲＧＶＦＣ値を有するクラス数ｎとして選択される。一実施形態では、ＲＧＶＦＣしきい値は２．５％～１０％であるが、任意の適切な値が用いられてもよい。

ステップ２１０において、分類された特定のセグメントの１つまたは複数の実行インスタンスに基づいて、特定のセグメントについて１つまたは複数のメトリックが計算される。１つまたは複数のメトリックは、特定のセグメントを特徴付ける任意の適切なメトリックを含むことができる。一実施形態では、１つまたは複数のメトリックは、効果量、損失時間、および重み付き影響を含む。例えば、クラスサイズ、クラス方向（クラスの増加／減少）、クラス分布などの任意の他の適切なメトリックも使用することができる。

効果量：効果量は、特定のセグメントにおける２つのクラス間の差の定量的尺度である。一実施形態では、効果量は、周知のＣｏｈｅｎのｄ法に従って計算されるが、任意の他の適切な手法を使用してもよい。Ｃｏｈｅｎのｄ法は、ＪａｃｏｂＣｏｈｅｎによる「ＳｔａｔｉｓｔｉｃａｌＰｏｗｅｒＡｎａｌｙｓｉｓｆｏｒｔｈｅＢｅｈａｖｉｏｒａｌＳｃｉｅｎｃｅｓ」に記載されている。クラスＸ_１およびＸ_２のＣｏｈｅｎのｄ値は、式４に従って計算される。
ここで、μ_１およびμ_２はそれぞれＸ_１およびＸ_２の平均であり、ｓはプールされた標準偏差である。プールされた標準偏差ｓは、式５で定義される。
ここで、ｎ_１およびｎ_２はそれぞれＸ_１およびＸ_２のサイズであり、
および
はそれぞれＸ_１およびＸ_２の変動であり、
および
はそれぞれ式６および式７で定義される。

Ｃｏｈｅｎのｄ値は、２つのクラスが異なる標準偏差の数を表す。例えば、１のＣｏｈｅｎのｄ値は、２つのクラスが１標準偏差だけ異なることを示し、２のＣｏｈｅｎのｄ値は、２つのクラスが２標準偏差だけ異なることを示すなどである。

Ｃｏｈｅｎのｄ法は、一度に２つのクラス間の効果量（すなわち、Ｃｏｈｅｎのｄ値）のみを計算する。３つ以上のクラスを有し得る特定のセグメントのＣｏｈｅｎのｄ値を計算するために、クラスのペアのすべての組み合わせの効果量が平均化される。特に、まず、Ｎ個のクラスを有する特定のセグメントについて、クラスのすべてのペア（Ｔ_ｉ、Ｔ_ｊ）が識別され、ここでｉ＜ｊおよびｉ，ｊ≦Ｎである。次に、クラスのすべてのペア（Ｔ_ｉ、Ｔ_ｊ）についてＣｏｈｅｎのｄ値が計算される。最後に、クラスのペア（Ｔ_ｉ、Ｔ_ｊ）ごとのＣｏｈｅｎのｄ値の合計をクラスのペアの総数で除算して、特定のセグメントのＣｏｈｅｎのｄ値を提供する。

損失時間：損失時間は、特定のセグメント内の最良性能（例えば、最も速い）クラスと他のクラスとの間の時間差を表す。特定のセグメントの損失時間は、最初に特定のセグメント内の各クラスＣ_ｉの中央値を計算することによって計算され、ｉはクラス番号である。第２に、クラス１の中央値を最適時間（Ｊｅｎｋｓ自然分類最適化アルゴリズムの性質により、クラス１は常に最小中央値（すなわち、最も速い時間）を有する）とする。第３に、特定のセグメント内の各クラスＣ_ｉの損失時間は、Ｃ_ｉ損失時間＝（中央値（Ｃ_ｉ）－最適時間）×サイズ（Ｃ）として計算される。最後に、各クラスＣ_ｉの損失時間は、
として合計され、ここでＮは特定のセグメント内のクラスの数であり、特定のセグメントの損失時間を提供する。

クラスの中央値は、以下の２つの理由のために損失時間を計算するために使用される：１）Ｊｅｎｋｓ自然分類最適化アルゴリズムの性質のために、クラス１は常に最低の中央値を有する、および２）クラスの中央値は、クラスの平均と比較して不均衡なデータによる歪みが少ない。損失時間は、特定のセグメントの１つまたは複数の実行インスタンスが特定のセグメントにおける可能な最速時間よりも遅い大きさを表す。したがって、セグメントＢと比較して損失時間が比較的小さいセグメントＡは、セグメントＢの改善に集中する方が収益性が高いことを示す。

重み付き影響：重み付き影響は、特定のセグメントのセグメント性能によって引き起こされる特定のセグメントの全体性能の寄与率を表す。セグメントＳの重み付き影響（ＴＷＩ）は、式８のように計算される。
ここで、ＣはセグメントＳ内のクラスの数であり、ＳＰ（Ｓ_ｉ）はセグメントＳ内のクラスＳ_ｉのセグメント性能であり、ＯＰ（Ｓ_ｉ）はセグメントＳ内のクラスＳ_ｉの全体性能であり、｜Ｓ｜はセグメントＳを通過する事例の数を表し、｜Ｓ_ｉ｜はクラスＳ_ｉ内の事例の数を表す。セグメント性能は、セグメントＳの性能（例えば、総時間間隔）である。全体性能は、セグメントＳを有する事例の総スループット時間である。

ステップ２１２で、識別されたセグメントの残りのセグメントがあるかどうかが判定される。残りのセグメントがあると判定された場合には、方法２００はステップ２０６に戻り、次の残りのセグメントを特定のセグメントとして使用してステップ２０６～２１０が繰り返される。したがって、ステップ２０６～２１０は、識別されたセグメントの各セグメントに対して実行される。残りのセグメントがないと判定された場合には、方法２００はステップ２１４に進む。

ステップ２１４において、識別されたセグメントは、識別されたセグメントのうちの少なくとも１つにおけるボトルネックを識別するために、１つまたは複数のメトリックに基づいて互いに比較される。一実施形態では、識別されたセグメントは、１つまたは複数のメトリックに基づいて識別されたセグメントの各々をランク付けすることによって互いに比較される。一実施形態では、識別されたセグメントの個々のランク付けは、１つまたは複数のメトリックのそれぞれについて最初に決定される。例えば、識別されたセグメントの効果量ランク付けは、効果量メトリックに対して決定されてもよく、識別されたセグメントの損失時間ランク付けは、潜在的な損失時間メトリックに対して決定されてもよく、識別されたセグメントの重み付けされた影響ランク付けは、総重み付き影響メトリックに対して決定されてもよい。次いで、総合ランク付けが、１つまたは複数のメトリックの個々のランク付けに基づいて計算される。例えば、総合ランク付けは、個々のランク付けの累積ランク付け、個々のランク付けの重み付けランク付け、または個々のランク付けを集約する任意の他の適切なランク付けを含むことができる。一実施形態では、累積ランク付けは、１つまたは複数のメトリックの個々のランク付けの合計または平均として計算することができる。総合ランク付けは、セグメントが他のセグメントと比較してボトルネックを有する相対的尤度を表す。総合ランク付けが最も高いセグメントは、他のセグメントと比較してボトルネックを有する可能性が最も高いセグメントであり、累積ランク付けが最も低いセグメントは、他のセグメントと比較してボトルネックを有する可能性が最も低いセグメントである。識別されたセグメントを互いに比較することにより、ユーザによる識別されたセグメントにおけるボトルネックの識別が容易になる。例えば、最も高い総合ランク付けを有するセグメントは、ボトルネックを有する可能性が最も高いセグメントであり、これは、セグメントがボトルネックを有するかどうかを判定するためにユーザによるさらなる解析が推奨されることを示すことができる。いくつかの実施形態では、ランク付けはまた、運用コストに基づくことができ、ユーザは、潜在的なリスクが最も高いセグメントを見ることができる。

図４は、１つまたは複数の実施形態による、セグメントをランク付けするための例示的な表４００を示す。表４００の列４０２に示すように、イベントログでは、７つのセグメントが識別される。効果量、潜在的な損失時間、および総重み付き影響メトリックは、それぞれ列４０４，４０６および４０８に示すように、セグメントごとに計算される。セグメントの個々のランクは、それぞれ列４１０，４１２および４１６に示すように、効果量、潜在的な損失時間、および総重み付き影響メトリックのそれぞれについて決定される。セグメントの個々のランクは１～７の範囲であり、個々のランクが１のセグメントが最も低いランクのセグメントであり、個々のランクが７のセグメントが最も高いランクのセグメントである。例えば、セグメント＜Ｃ，Ｅ＞は、列４０４において最も低い効果量を有し、したがって、列４１０において最も低い（１）にランク付けされ、セグメント＜Ａ，Ｂ＞は、列４０４において最も高い効果量を有し、したがって、列４１０において最も高い（７）にランク付けされる。
セグメント＜Ｄ，Ｅ＞は、列４０６において最も低い潜在的な損失時間を有し、したがって、列４１２において最も低い（１）にランク付けされ、セグメント＜Ａ，Ｂ＞は、列４０６において最も高い潜在的な損失時間を有し、したがって、列４１２において最も高い（７）にランク付けされる。
セグメント＜Ａ，Ｃ＞は、列４０８において最も低い総重み付き影響を有し、したがって、列４１４において最も低い（１）にランク付けされ、セグメント＜Ｂ，Ｃ＞は、列４０８において最も高い総重み付き影響を有し、したがって列４１４において最も高い（７）にランク付けされる。
列４１６に示すように、各メトリックの列４１０～１４１の個々のランク付けは、セグメントごとに加算されて累積ランク付けを計算する。
セグメント＜Ａ，Ｂ＞は、累積ランク付けが最も高く、ボトルネックを有する可能性が最も高いセグメントとして識別される。いくつかの実施形態では、例えば、最も高い効果量、最も高い潜在的損失時間、および最も高い総重み付き影響を有するセグメントが最も低くランク付けされる場合、累積ランク付けが最も低いセグメントは、ボトルネックを有する可能性が最も高いセグメントであり得る。

ステップ２１６において、ステップ２１４の比較の結果が出力される。例えば、比較の結果をコンピュータシステムのディスプレイデバイス上に表示することによって、比較の結果をコンピュータシステムのメモリまたはストレージ上に記憶することによって、または比較の結果をリモートコンピュータシステムに送信することによって、比較の結果を出力することができる。

いくつかの実施形態では、比較の結果は、例えば、図５～図１１に示すダッシュボードなどの１つまたは複数のユーザインターフェースを介してディスプレイデバイスに識別されたセグメントの比較の結果を表示することによって出力されてもよい。
ダッシュボードは、例えば、時間的観点、事例的観点、組織的観点、および制御フロー的観点を含む、いくつかの観点からの結果を視覚化する。そのようなダッシュボードは、根本原因のボトルネック解析のためのセグメントの解析を容易にするための解析ツールをユーザに提供する。

図５は、１つまたは複数の実施形態による、セグメント概要のためのダッシュボード５００を示す。ダッシュボード５００は、各セグメントおよびそのメトリックの概要を領域１５０２内のユーザに提示する。
領域１５０２の概要は表形式で示されており、各行はセグメントに対応し、各列は属性に対応する。以下の属性、すなわち、セグメントの名称、そのセグメントにおける事例数、そのセグメントにおけるクラス数、効果量のランク付け、潜在的損失時間のランク付け、総重み付き影響のランク付け、および累積ランク付けが示される。領域１５０２内のセグメントは、累積ランク付けに基づいて、最高から最低まで順序付けられている。しかしながら、領域１５０２と対話するユーザは、（例えば、列をクリックすることにより）任意の列の属性に基づいて表をソートすることができる。領域２５０４は、（例えば、ホバリングすると）各メトリックがどのように計算されるかの説明を提供するアイコンを示す。

図６は、１つまたは複数の実施形態による、時間的観点からのダッシュボード６００を示す。時間的観点は、イベントのタイミングおよび頻度に関する。タイミング情報を使用して、ボトルネックの発見、サービスレベルの測定などを行うことができる。ダッシュボード６００は、選択されたセグメントの詳細なビューを提示する。領域１６０２は、ユーザがセグメントを選択することができるセレクタを示す。領域２６０４は積み重ねられたバーを示し、各セクション６１０，６１２、および６１４は、それぞれ効果量メトリック、損失時間メトリック、および重み付き影響メトリックの値を表す。領域２６０４は、選択されたセグメントが他のセグメントに対してどのようにランク付けされたかを迅速に確認し、選択されたセグメントに関する一般的な洞察を得る能力をユーザに提供する。領域３６０６は、クラスごとの、選択されたセグメントの各事例の総スループット時間の分布を示す。領域３６０６は、ユーザがクラスを視覚的に比較して、各クラスの全体性能の理解を生み出すことを可能にする。領域４６０８は、各クラスのスループット時間の中央値と、スループット時間がどのように細分化されるかを示す。特に、領域４６０８は、経過時間（事例の開始からセグメントに到達するまでの時間）、セグメント時間（事例がセグメントに費やされた時間）、および残り時間（セグメントを出るときと事例の終了時との間に事例が費やす時間）を示す。領域４６０８は、セグメント性能が全体性能にどのように関連するかを示すので、重み付き影響メトリックを視覚化し、それによってセグメントがプロセス全体に及ぼす影響に関する洞察をユーザに提供する。

図７は、１つまたは複数の実施形態による、事例の観点のためのダッシュボード７００を示す。ダッシュボード７００は、事例属性の解析を提示し、それにより、ユーザが、例えば、最も速いクラスと比較して最も遅いクラスの事例属性間の不一致を識別することを可能にし、それにより、不一致が存在する理由を明らかにすることができる。領域１７０２は、ユーザによって解析されるセグメントおよび解析されるクラスのセットを選択するためのセレクタを示す。領域２７０４は、解析が実行される事例属性を選択するための事例属性セレクタと、以前の研究に基づいて予想されたものとは著しく異なる属性のみを示すための「有意のみを示す」オプションと、を示す。領域３７０６は、線７１０が選択された事例属性の予想される頻度を表し、棒が選択された事例属性の観測された頻度を表すグラフを示す。領域４７０８は、選択された事例属性がすべてのクラスにどのように分布するかを示す表を示す。領域４７０８は、分布をパーセンテージまたは数（カウント）として表示するためのパーセンテージ／カウントセレクタを含む。

図８は、１つまたは複数の実施形態による、組織的観点からのダッシュボード８００を示す。組織的観点は、リソース、すなわちどの当事者（例えば、人々、システム、役割、部門）が関与し、それらがどのように関連しているかに関する。領域１８０２は、解析するセグメントを選択するためのセレクタを示す。領域２８０４には、解析対象のイベント属性を選択するためのイベント属性セレクタと、分布をパーセンテージまたは数（カウント）として表示するためのパーセンテージ／カウントセレクタと、が示されている。領域３８０６は、セグメントアクティビティに基づくクラスごとの選択されたイベント属性の分布を示す表を示す。「パーセンテージ」が選択された場合、各行の合計は１００％になり、ユーザはセグメントのイベント属性頻度を検査し、異なるクラス間のイベント属性頻度を比較することができる。領域４８０８は、プロセス全体のクラスごとの選択されたイベント属性の分布を示す表を示す。

図９は、１つまたは複数の実施形態による、制御フロー的観点からのダッシュボード９００を示す。ダッシュボード９００は、ユーザが、あるクラスのフローと他のクラスとの間の違いを発見することを可能にする。制御フロー的観点は、アクティビティの順序付けに関する。領域１９０２は、解析するセグメントを選択するためのセレクタを示す。領域２９０４は、プロセスフロー解析ツールを示す。特に、領域２９０４は、クラスを選択するためのセレクタを示す領域２ａ９０６と、すべてのエッジがそれを横切る事例の割合を示す選択されたクラスのプロセスフローを示す領域２ｂ９０８と、プロセス利用率、事例数を説明する凡例を示す領域２ｃ９１０と、を含み、まれなアクティビティおよびエッジを非表示または表示するためのしきい値を設定するためのユーザ調整可能スライダを含む。領域３９１２は、別のプロセスフロー解析ツールを示す。領域３９１２は、領域３ａ９１４、領域３ｂ９１６、および領域３ｃ９１８を含み、これらは領域２ａ９０６、領域２ｂ９０８、および領域２ｃ９１０と同様であるが、別のプロセス用である。領域４９２０は、ダッシュボード９００に示すように、プロセスを並べて表示するか、または組み合わせて表示するかを選択するためのボタンを示す。図１０および図１１は、１つまたは複数の実施形態による、プロセスの合成ビューを示す制御フロー的観点からのダッシュボード１０００およびダッシュボード１１００をそれぞれ示す。プロセスは、プロセスＡ、プロセスＢ、および両方のプロセスが異なる色で表されるように、ダッシュボード１０００およびダッシュボード１１００に色で示されている。ダッシュボード１０００内の各エッジは、色によって各プロセスのエッジ横断率を表すパーセンテージを含む。ダッシュボード１１００内の各エッジは、色による各プロセスの平均スループット時間を含む。他の統計もまた、エッジ上に表され得る。

図２の方法２００に戻って参照すると、一実施形態では、ステップ２０２で受信されたイベントログは、図３のイベントログ３００に示すように、実行されたアクティビティ、アクティビティの実行の単一のタイムスタンプ、および事例ＩＤのみを識別する標準フォーマットである。
しかしながら、他の実施形態では、ステップ２０２で受信されたイベントログは、非標準フォーマットであり、標準フォーマットに変換される。

非標準フォーマットのイベントログの一例は、各イベントに対応する行と、各イベントの実行開始時刻のタイムスタンプおよび実行完了時刻のタイムスタンプを識別する列と、を含むイベントログである。このような非標準フォーマットのイベントログは、各イベントを実行開始時刻に対応する第１のイベントと実行完了時刻に対応する第２のイベントとの２つの別々のイベント（すなわち、２つの別々の行）に分割することで、標準フォーマットに変換される。この例では、実行開始時刻と実行完了時刻とに基づいて、解析対象のセグメントのタイプを区別することができる。例えば、特定のアクティビティの実行開始時間に対応するイベントから、同じアクティビティの実行完了時間に対応するイベントまでのセグメントは、処理時間を表すことができ、アクティビティの実行完了時間に対応するイベントから、次のアクティビティの実行開始時間に対応するイベントまでのセグメントは、待ち時間を表すことができる。したがって、検出されたボトルネックは、タイプ（すなわち、処理時間に起因するか、待ち時間に起因するか）によって区別され得る。

非標準フォーマットのイベントログの他の例は、各イベントに対応する行と、各イベントに対するアクティビティライフサイクル情報を特定する列と、を含むイベントログである。アクティビティライフサイクル情報は、イベントに関連するアクティビティのステータスを表す。ステータスは、例えば、開始、完了、中断、または再開であってもよい。このような非標準フォーマットのイベントログは、ライフサイクル情報を含むようにアクティビティのラベル（すなわち、名称）を変更し、アクティビティライフサイクル情報を特定する列を削除することで、標準フォーマットに変換される。例えば、「請求書受信」というアクティビティラベルを識別する列と「開始」というアクティビティライフサイクル情報を特定する列とを有する非標準イベントログは、「請求書受信＋開始」というアクティビティラベルを識別する列を有するように変換され、アクティビティライフサイクル情報を特定する列を削除することができる。したがって、アクティビティライフサイクル情報に基づいてセグメントのタイプを区別することができる。例えば、アクティビティの開始実行に対応するイベントからアクティビティの中断実行に対応するイベントまでのセグメントは処理時間を表してもよく、アクティビティの中断実行に対応するイベントからアクティビティの再開実行に対応するイベントまでは待ち時間を表してもよく、アクティビティの再開実行に対応するイベントからアクティビティの完全な実行に対応するイベントまでは処理時間を表してもよい。したがって、検出されたボトルネックは、タイプ（すなわち、処理時間に起因するか、待ち時間に起因するか）によって区別され得る。

図１２は、本発明の一実施形態による、図１～図２を含む、本明細書に記載の方法、ワークフロー、およびプロセスを実行するように構成されたコンピューティングシステム１２００を示すブロック図である。いくつかの実施形態では、コンピューティングシステム１２００は、本明細書に図示および／または記載されたコンピューティングシステムのうちの１つまたは複数であってもよい。コンピューティングシステム１２００は、情報を通信するためのバス１２０２または他の通信機構と、情報を処理するためにバス１２０２に結合されたプロセッサ１２０４と、を含む。プロセッサ１２０４は、中央処理装置（ＣＰＵ）、特定用途集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、グラフィックスプロセッシングユニット（ＧＰＵ）、それらの複数のインスタンス、および／またはそれらの任意の組み合わせを含む、任意のタイプの汎用または専用プロセッサであってもよい。プロセッサ１２０４はまた、複数の処理コアを有してもよく、コアの少なくともいくつかは、特定の機能を実行するように構成されてもよい。いくつかの実施形態では、複数並列処理が使用されてもよい。

コンピューティングシステム１２００は、プロセッサ１２０４によって実行される情報および命令を格納するためのメモリ１２０６をさらに含む。
メモリ１２０６は、ランダムアクセスメモリ（ＲＡＭ）、読み出し専用メモリ（ＲＯＭ）、フラッシュメモリ、キャッシュ、磁気もしくは光ディスクなどの静的ストレージ、または任意の他のタイプの非一時的コンピュータ可読媒体、またはそれらの組み合わせの任意の組み合わせで構成することができる。非一時的コンピュータ可読媒体は、プロセッサ１２０４によってアクセス可能な任意の利用可能な媒体であってもよく、揮発性媒体、不揮発性媒体、またはその両方を含んでもよい。媒体はまた、取り外し可能、取り外し不能、またはその両方であってもよい。

さらに、コンピューティングシステム１２００は、任意の現在存在する、または将来実施される通信規格および／またはプロトコルに従って、無線および／または有線接続を介して通信ネットワークへのアクセスを提供するためのトランシーバなどの通信デバイス１２０８を含む。

プロセッサ１２０４は、バス１２０２を介して、ユーザに情報を表示するのに適したディスプレイ１２１０にさらに結合される。ディスプレイ１２１０はまた、タッチディスプレイおよび／または任意の適切な触覚Ｉ／Ｏデバイスとして構成されてもよい。

キーボード１２１２およびコンピュータマウス、タッチパッドなどのカーソル制御デバイス１２１４は、ユーザがコンピューティングシステムとインターフェースすることを可能にするためにバス１２０２にさらに結合される。しかしながら、特定の実施形態では、物理的なキーボードおよびマウスが存在しなくてもよく、ユーザは、ディスプレイ１２１０および／またはタッチパッド（図示せず）のみを介してデバイスと対話することができる。入力デバイスの任意のタイプおよび組み合わせを、設計上の選択事項として使用することができる。特定の実施形態では、物理的入力デバイスおよび／またはディスプレイは存在しない。例えば、ユーザは、それと通信する別のコンピューティングシステムを介してコンピューティングシステム１２００と遠隔で対話することができ、またはコンピューティングシステム１２００は自律的に動作することができる。

メモリ１２０６は、プロセッサ１２０４によって実行されると機能を提供するソフトウェアモジュールを格納する。
モジュールは、コンピューティングシステム１２００のためのオペレーティングシステム１２１６と、本明細書に記載のプロセスまたはその派生物の全部または一部を実行するように構成された１つまたは複数の追加の機能モジュール１２１８と、を含む。

当業者は、「システム」が、本発明の範囲から逸脱することなく、サーバ、組込みコンピューティングシステム、パーソナルコンピュータ、コンソール、パーソナルデジタルアシスタント（ＰＤＡ）、携帯電話、タブレットコンピューティングデバイス、量子コンピューティングシステム、もしくは任意の他の適切なコンピューティングデバイス、またはデバイスの組み合わせとして具現化され得ることを理解するであろう。上記の機能を「システム」によって実行されるものとして提示することは、本発明の範囲を決して限定することを意図するものではなく、本発明の多くの実施形態の一例を提供することを意図している。実際、本明細書に開示する方法、システム、および装置は、クラウドコンピューティングシステムを含むコンピューティング技術と一致する局所化された形態および分散された形態で実装されてもよい。

本明細書に記載されたシステム特徴のいくつかは、それらの実装の独立性をより具体的に強調するために、モジュールとして提示されていることに留意されたい。例えば、モジュールは、カスタムの超大規模集積（ＶＬＳＩ）回路またはゲートアレイ、ロジックチップ、トランジスタ、または他のディスクリートコンポーネントなどの既製の半導体を含むハードウェア回路として実装されてもよい。モジュールはまた、フィールドプログラマブルゲートアレイ、プログラマブルアレイロジック、プログラマブルロジックデバイス、グラフィックスプロセッシングユニットなどのプログラマブルハードウェアデバイスに実装されてもよい。モジュールはまた、様々なタイプのプロセッサによって実行するためのソフトウェアに少なくとも部分的に実装されてもよい。遂行可能コードの識別されたユニットは、例えば、オブジェクト、プロシージャ、または関数として編成することができるコンピュータ命令の１つまたは複数の物理ブロックまたは論理ブロックを含むことができる。それにもかかわらず、識別されたモジュールの遂行可能ファイルは、物理的に共に配置される必要はないが、論理的に共に結合されたときにモジュールを含み、モジュールの記載された目的を達成する異なる場所に格納された異なる命令を含むことができる。さらに、モジュールは、コンピュータ可読媒体に格納されてもよく、それは、例えば、ハードディスクドライブ、フラッシュデバイス、ＲＡＭ、テープ、および／または本発明の範囲から逸脱することなくデータを格納するために使用される任意の他のそのような非一時的コンピュータ可読媒体であってもよい。実際、遂行可能コードのモジュールは、単一の命令、または多くの命令であってもよく、いくつかの異なるコードセグメント、異なるプログラム、およびいくつかのメモリデバイスに分散されてもよい。同様に、動作データは、本明細書ではモジュール内で識別および図示されてもよく、任意の適切な形態で具現化され、任意の適切なタイプのデータ構造内に編成されてもよい。動作データは、単一のデータセットとして収集されてもよく、または異なるストレージデバイスを含む異なる場所に分散されてもよく、少なくとも部分的に、システムまたはネットワーク上の電子信号としてのみ存在してもよい。

上記は、本開示の原理を例示しているにすぎない。したがって、当業者は、本明細書に明示的に記載または図示されていないが、本開示の原理を具現化し、その趣旨および範囲内に含まれる様々な構成を考案することができることが理解されよう。さらに、本明細書に列挙されたすべての例および条件付き言語は、主に、読者が本開示の原理および本技術を促進するために本発明者によって寄与された概念を理解するのを助けるための教育目的のためのものにすぎず、そのような具体的に列挙された例および条件に限定されないと解釈されるべきである。さらに、本開示の原理、態様、および実施形態、ならびにその特定の例を列挙する本明細書のすべての記述は、その構造的および機能的均等物の両方を包含することを意図している。さらに、そのような均等物は、現在知られている均等物および将来開発される均等物の両方を含むことが意図される。

Claims

ボトルネックを識別するためにプロセスの複数の実行インスタンスについてイベントログを解析するためのコンピュータ実装方法であって、
前記複数の実行インスタンスのうちの１つまたは複数の間に実行されたセグメントを前記イベントログから識別するステップであって、前記セグメントの各々が前記プロセスの一対のアクティビティを表す、ステップと、
前記識別されたセグメントの特定のセグメントごとに、
前記イベントログに基づいて前記特定のセグメントの前記１つまたは複数の実行インスタンスの各々の性能の尺度を計算するステップと、
前記計算された性能の尺度に基づいて前記特定のセグメントの前記１つまたは複数の実行インスタンスの各々を分類するステップと、
前記特定のセグメントの前記分類された１つまたは複数の実行インスタンスに基づいて、前記特定のセグメントについての１つまたは複数のメトリックを計算するステップと、
ボトルネックを有する可能性が最も高い前記識別されたセグメントのうちの１つを識別するために、前記１つまたは複数のメトリックに基づいて前記識別されたセグメントを互いに比較するステップと、を含む、コンピュータ実装方法。
前記一対のアクティビティは、送信元アクティビティおよび宛先アクティビティを含み、前記宛先アクティビティの実行が、前記イベントログにおける前記送信元アクティビティの実行に直接続く、請求項１に記載のコンピュータ実装方法。
前記性能の尺度は、前記一対のアクティビティ間の時間間隔である、請求項１に記載のコンピュータ実装方法。
前記計算された性能の尺度に基づいて前記特定のセグメントの前記１つまたは複数の実行インスタンスの各々を分類するステップは、
Ｊｅｎｋｓ自然分類最適化アルゴリズムを用いて、前記特定のセグメントの前記１つまたは複数の実行インスタンスの各々を複数のクラスのうちの１つに分類するステップと、を含む、請求項１に記載のコンピュータ実装方法。
前記特定のセグメントの前記分類された１つまたは複数の実行インスタンスに基づいて、前記特定のセグメントについての１つまたは複数のメトリックを計算するステップは、
１）前記特定のセグメントのクラス間の平均差を表す前記特定のセグメントについての効果量メトリック、２）前記特定のセグメントの最良性能クラスと他のクラスとの間の時間差を表す前記特定のセグメントについての損失時間メトリック、および３）前記特定のセグメントの全体性能に対する寄与を表す重み付き影響メトリックを計算するステップを含む、請求項１に記載のコンピュータ実装方法。
ボトルネックを有する可能性が最も高い前記識別されたセグメントのうちの１つを識別するために、前記１つまたは複数のメトリックに基づいて前記識別されたセグメントを互いに比較するステップは、
前記１つまたは複数のメトリックに基づいて前記識別されたセグメントをランク付けするステップを含む、請求項５に記載のコンピュータ実装方法。
前記１つまたは複数のメトリックに基づいて前記識別されたセグメントをランク付けするステップは、
前記効果量メトリック、前記損失時間メトリック、および前記重み付き影響メトリックの各々について前記識別されたセグメントの個々のランク付けを決定するステップと、
前記個々のランク付けに基づいて前記識別されたセグメントの総合ランク付けを決定するステップと、を含む、請求項６に記載のコンピュータ実装方法。
前記総合ランク付けに基づいて、前記ボトルネックを有する可能性が最も高い前記識別されたセグメントのうちの前記１つを識別するステップをさらに含む、
請求項７に記載のコンピュータ実装方法。
前記ボトルネックを識別するために、前記比較の結果を表示させるステップをさらに含む、
請求項１に記載のコンピュータ実装方法。
前記プロセスは、ロボティックプロセスオートメーションプロセスである、請求項１に記載のコンピュータ実装方法。
ボトルネックを識別するためにプロセスの複数の実行インスタンスについてイベントログを解析するためのコンピュータ命令を格納するメモリと、
前記コンピュータ命令を実行するように構成された少なくとも１つのプロセッサと、を含み、前記コンピュータ命令は、前記少なくとも１つのプロセッサに、
前記複数の実行インスタンスのうちの１つまたは複数の間に実行されたセグメントを前記イベントログから識別するステップであって、前記セグメントの各々が前記プロセスの一対のアクティビティを表す、ステップと、
前記識別されたセグメントの特定のセグメントごとに、
前記イベントログに基づいて前記特定のセグメントの前記１つまたは複数の実行インスタンスの各々の性能の尺度を計算するステップと、
前記計算された性能の尺度に基づいて前記特定のセグメントの前記１つまたは複数の実行インスタンスの各々を分類するステップと、
前記特定のセグメントの前記分類された１つまたは複数の実行インスタンスに基づいて、前記特定のセグメントについての１つまたは複数のメトリックを計算するステップと、
ボトルネックを有する可能性が最も高い前記識別されたセグメントのうちの１つを識別するために、前記１つまたは複数のメトリックに基づいて前記識別されたセグメントを互いに比較するステップと、
の動作を実行させるように構成される、装置。
前記一対のアクティビティは、送信元アクティビティおよび宛先アクティビティを含み、前記宛先アクティビティの実行が、前記イベントログにおける前記送信元アクティビティの実行に直接続く、請求項１１に記載の装置。
前記性能の尺度は、前記一対のアクティビティ間の時間間隔である、請求項１１に記載の装置。
前記計算された性能の尺度に基づいて前記特定のセグメントの前記１つまたは複数の実行インスタンスの各々を分類するステップは、
Ｊｅｎｋｓ自然分類最適化アルゴリズムを用いて、前記特定のセグメントの前記１つまたは複数の実行インスタンスの各々を複数のクラスのうちの１つに分類するステップと、を含む、請求項１１に記載の装置。
ボトルネックを識別するためにプロセスの複数の実行インスタンスについてイベントログを解析するための、非一時的コンピュータ可読媒体上に格納されたコンピュータプログラムであって、前記コンピュータプログラムは、少なくとも１つのプロセッサに、
前記複数の実行インスタンスのうちの１つまたは複数の間に実行されたセグメントを前記イベントログから識別するステップであって、前記セグメントの各々が前記プロセスの一対のアクティビティを表す、ステップと、
前記識別されたセグメントの特定のセグメントごとに、前記イベントログに基づいて前記特定のセグメントの前記１つまたは複数の実行インスタンスの各々の性能の尺度を計算するステップと、
前記計算された性能の尺度に基づいて前記特定のセグメントの前記１つまたは複数の実行インスタンスの各々を分類するステップと、
前記特定のセグメントの前記分類された１つまたは複数の実行インスタンスに基づいて、前記特定のセグメントについての１つまたは複数のメトリックを計算するステップと、
ボトルネックを有する可能性が最も高い前記識別されたセグメントのうちの１つを識別するために、前記１つまたは複数のメトリックに基づいて前記識別されたセグメントを互いに比較するステップと、
を含む動作を実行させるように構成される、コンピュータプログラム。
前記特定のセグメントの前記分類された１つまたは複数の実行インスタンスに基づいて、前記特定のセグメントについての１つまたは複数のメトリックを計算するステップは、
１）前記特定のセグメントのクラス間の平均差を表す前記特定のセグメントについての効果量メトリック、２）前記特定のセグメントの最良性能クラスと他のクラスとの間の時間差を表す前記特定のセグメントについての損失時間メトリック、および３）前記特定のセグメントの全体性能に対する寄与を表す重み付き影響メトリックを計算するステップを含む、請求項１５に記載のコンピュータプログラム。
ボトルネックを有する可能性が最も高い前記識別されたセグメントのうちの１つを識別するために、前記１つまたは複数のメトリックに基づいて前記識別されたセグメントを互いに比較するステップは、
前記１つまたは複数のメトリックに基づいて前記識別されたセグメントをランク付けするステップを含む、請求項１６に記載のコンピュータプログラム。
前記１つまたは複数のメトリックに基づいて前記識別されたセグメントをランク付けするステップは、
前記効果量メトリック、前記損失時間メトリック、および前記重み付き影響メトリックの各々について前記識別されたセグメントの個々のランク付けを決定するステップと、
前記個々のランク付けに基づいて前記識別されたセグメントの総合ランク付けを決定するステップと、を含む、請求項１７に記載のコンピュータプログラム。
前記動作は、
前記総合ランク付けに基づいて、前記ボトルネックを有する可能性が最も高い前記セグメントのうちの前記１つを識別するステップをさらに含む、請求項１８に記載のコンピュータプログラム。
前記プロセスは、ロボティックプロセスオートメーションプロセスである、請求項１５に記載のコンピュータプログラム。