RU2686031C1 - Способ и устройство для обработки и анализа больших данных, характеризующих различные процессы - Google Patents

Способ и устройство для обработки и анализа больших данных, характеризующих различные процессы Download PDF

Info

Publication number
RU2686031C1
RU2686031C1 RU2018106711A RU2018106711A RU2686031C1 RU 2686031 C1 RU2686031 C1 RU 2686031C1 RU 2018106711 A RU2018106711 A RU 2018106711A RU 2018106711 A RU2018106711 A RU 2018106711A RU 2686031 C1 RU2686031 C1 RU 2686031C1
Authority
RU
Russia
Prior art keywords
phase
phases
significant
functional
significant characteristics
Prior art date
Application number
RU2018106711A
Other languages
English (en)
Inventor
Виктор Павлович Осадчий
Олег Алексеевич Финошин
Original Assignee
Общество с ограниченной ответственностью "ВИЗЕКС ИНФО"
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Общество с ограниченной ответственностью "ВИЗЕКС ИНФО" filed Critical Общество с ограниченной ответственностью "ВИЗЕКС ИНФО"
Priority to RU2018106711A priority Critical patent/RU2686031C1/ru
Application granted granted Critical
Publication of RU2686031C1 publication Critical patent/RU2686031C1/ru

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

Изобретение относится к способу и устройству анализа и обработки больших данных. Технический результат заключается в повышении точности анализа функциональных процессов. В способе получают фазы процесса и пороговые значения значимых характеристик функционального процесса, для каждой фазы устанавливают характеристики, определяют размер и визуальное представление, формируют отображение фаз в виртуальной области, получают данные об исполнении каждого экземпляра процесса, включающие время исполнения каждой фазы, значимые характеристики каждой фазы, производят анализ каждого экземпляра процесса и фаз каждого экземпляра процесса на основании полученных данных с учетом отслеживаемых значимых характеристик и пороговых значений значимых характеристик, причем при анализе проверяется каждый экземпляр процесса на превышение значимых характеристик и в рамках каждого процесса проверяется каждый экземпляр фазы на превышение порогового значения значимых характеристик, формируют интеллектуальные подсказки по оптимизации процесса или отдельных фаз на основании проведенного анализа, отображают результаты исполнения экземпляров процесса в виртуальной области и интеллектуальные подсказки по оптимизации процесса или отдельных фаз на основании проведенного анализа. 2 н. и 4 з.п. ф-лы, 4 ил.

Description

ОБЛАСТЬ ТЕХНИКИ
Данное техническое решение относится к компьютерной обработке больших данных.
УРОВЕНЬ ТЕХНИКИ
В настоящее время существует потребность в оптимизации процессов, реализуемых в компаниях, заводах, предприятиях. В уровне техники отсутствуют решения, позволяющие автоматизировать процесс выявления узких мест в текущих процессах и их оптимизации.
СУЩНОСТЬ
Данное техническое решение направлено на повышение эффективности обнаружения проблем и узких мест в различных процессах. Дополнительно техническое решение позволяет осуществлять интеллектуальные подсказки по предотвращению узких мест.
Способ анализа и обработки больших данных, характеризующих различные процессы, выполняемый на компьютерной системе, включает следующие шаги (фиг.1).
Получают, по крайней мере, две фазы процесса, характеризующих функциональный процесс и пороговые значение значимых характеристик функционального процесса;
Для каждой фазы устанавливают характеристики, включающие, по крайней мере, название, пороговое время исполнения фазы, функциональные зависимости от других фаз, группу, отслеживаемые значимые характеристики фазы, пороговые значения значимых характеристик фаз;
Определяют для каждой фазы размер и визуальное представление с учетом характеристик и функциональных зависимостей;
Формируют отображение фаз в виртуальной области, причём фазы размещаются последовательно, в соответствии с функциональной зависимостью друг от друга, причем для каждой фазы и на связях между фазы отображают отслеживаемые значимые характеристики;
Получают данные об исполнении каждого экземпляра процесса, включающие, по крайней мере, время исполнения каждой фазы, значимые характеристики каждой фазы;
Производят анализ каждой экземпляра процесса и фаз каждого экземпляра процесса на основании полученных данных с учетом отслеживаемых значимых характеристик и пороговых значений значимых характеристик
Отображают результаты исполнения экземпляров процесса в виртуальной области, причем визуально выделяют фазы, в которых статистически большое количество превышений пороговых значение значимых характеристик и визуально выделяют отдельные процессы, значимые характеристики которых превышают пороговые значения;
Отображают интеллектуальные подсказки по оптимизации процесса и/или отдельных фаз на основании проведенного анализа.
В некоторых вариантах реализации при анализе проверяется каждый экземпляр процесса на превышение значимых характеристик и в рамках каждого процесса проверяется каждый экземпляр фазы на превышение порогового значения значимых характеристик.
В некоторых вариантах реализации при анализе используются алгоритмы машинного обучения.
В некоторых вариантах реализации размеры фаз зависят от размера виртуальной области, доступной для отображения.
В некоторых вариантах реализации данные об исполнении каждого экземпляра процесса получают в режиме реального времени.
В некоторых вариантах реализации описываемое техническое решение дополнительно содержит предварительный этап, на котором выбирают из базы готовых шаблонов процесс, наиболее близкий к тому, для которого необходимо осуществить обработку и анализ данных.
КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ
На фиг.1 изображена блок-схема способа согласно одному из вариантов технического решения.
На фиг. 2 изображен схема модулей устройства обработки и анализа больших данных.
На фиг. 3 изображена схема системы, на которой может реализовываться (выполняться) описываемый способ.
На фиг. 4 изображен один из вариантов отображения процесса, значимых характеристик и его фаз.
ПОДРОБНОЕ ОПИСАНИЕ
Каждый процесс (например, производственный процесс) представляет собой последовательность операций, выполняемых каким-либо исполнителем. Обособленный набор операций, имеющий начало и конец называется фазой процесса.
Так, например, процесс установления лимита по кредиту при получении кредита в банке может быть разбит на следующие фазы: регистрация обращения, сбор документов, кредитный анализ, согласование/доработка решения, принятие решения. Или, например, процесс получения скорой медицинской помощи может быть разбит на следующие фазы: вызов, назначение бригады, просмотр электронной медицинской карты, путь, осмотр, госпитализация, актив, фиксация результата вызова. Каждая фаза в данном примере имеет начало и конец, связанных с ней исполнителей, пороговое время выполнения.
Для анализа и обработки больших данных характеризующих процесс необходимо осуществить разбиение процесса на фазы.
В некоторых вариантах реализации технического решения пользователь вводит через интерфейс программного обеспечения фазы процесса.
В некоторых вариантах реализации технического решения пользователь выбирает из базы готовых шаблонов процесс, наиболее близкий к тому, для которого необходимо осуществить обработку и анализ данных.
В некоторых вариантах реализации шаблон процесса может включать название, пороговое время исполнения фазы, функциональные зависимости от других фаз, группу.
После того, как процесс разбит на фазы для него задаются (например, пользователем или автоматически программным обеспечением) значимые характеристики (например – время, себестоимость (деньги), наличие отклика или ответа от контрагентов) и их пороговые значения. В продолжении примера для процесса установления кредита значимой характеристикой может быть, например, время рассмотрения 1 заявки на установления лимита, а для процесса получения плановой стационарной медицинской помощи, одной из значимой характеристик является удельная (или средняя) стоимость лечения одного пациента.
Затем для каждой для каждой фазы процесса устанавливают характеристики, включающие, по крайней мере, название, пороговое время исполнения фазы, функциональные зависимости от других фаз, группу, отслеживаемые значимые характеристики фазы, пороговые значения значимых характеристик фаз.
Так для процесса установления лимита по кредиту каждой из фаз задают имя. Например, первая фаза может называться «регистрация обращения», «прием заявки» и т.д.
Функциональными зависимости фазы от других фаз могут быть, например, для процесса получения скорой медицинской помощи, для одной из фаз «Фиксация результата вызова» необходимо наличие отклика от стационарного медицинского учреждения (фаза «Госпитализация») или амбулаторного центра (фаза «Актив») с названием подтвержденного диагноза пациента, которому была оказана скорая медицинская помощь.
В некоторых вариантах реализации данные о процессе и его фазах со всеми характеристиками сохраняются в базе данных. В некоторых вариантах реализации используются реляционные или key-value хранилища.
Определяют для каждой фазы размер и визуальное представление с учетом характеристик и функциональных зависимостей.
В некоторых вариантах реализации размер фазы определяется автоматически, по формуле, как производная от базовой характеристики – порогового времени обработки, чем больше значение параметра времени, тем больше размер фазы. Для этого определяется минимальное и максимальное (по значению) пороговое время обработки среди всех блоков процесса. Фазе, имеющей самое минимальное значение, задается минимальный размер, а фазе, имеющей максимальное значение – максимальный размер, при этом, остальные фазы отображаются с пропорционально определяемыми размерами.
В некоторых вариантах реализации размеры фаз зависят от размера виртуальной области, доступной для отображения.
В некоторых вариантах реализации для каждой фазы автоматически задаются фигуры визуализации – трехмерные человечки/фигуры, изображающие тип и суть фазы, на основании смысловой сути контролируемых процессов. Фигуры визуализации помогают правильному восприятию пользователем смысла и сути каждой фазы (функционального процесса). Например, для банковской сферы, такими фигурами могут быть стилизованные трёхмерные изображения банковских работников, совершающие свои ежедневные операции – получение заявки на кредит, подготовка списка документов, рассмотрение заявки на кредитном комитете и т.п., а для процесса получения плановой стационарной медицинской помощи, такими фигурами могут быть стилизованные трёхмерные изображения врачей, совершающие свои ежедневные операции – первичный осмотр, госпитализация, установление предварительного диагноза, назначение инструментального диагностического обследования, и т.п.
Далее формируют отображение фаз в виртуальной области, причём фазы размещаются последовательно, в соответствии с функциональной зависимостью друг от друга, причем для каждой фазы и на связях между фаз отображают отслеживаемые значимые характеристики.
В некоторых вариантах реализации размер виртуальной области зависит от характеристик отображающего устройства, например, размера экрана (диагонали экрана), плотности точек на дюйм, разрешения экрана.
В некоторых вариантах реализации размер виртуальной области зависит от типа отображающего устройства (мобильное, стационарное).
В некоторых вариантах реализации каждой фазе задается цвет, отображается название и пороговое время. На блоке изображены на отдельных плашках еще дополнительные значимые характеристики, характеризующие объём обрабатываемых функциональным блоком сущностей, например, для банковской сферы – объем денег в кредитных заявках (в рублях и в долларах или других валютах), для медицинской сферы – количество проведших через фазу пациентов.
Затем получают данные об исполнении каждого экземпляра процесса, включающие, по крайней мере, время исполнения каждой фазы, значимые характеристики каждой фазы.
В некоторых вариантах реализации данные об исполнении получают в режиме реального времени.
В некоторых вариантах реализации исполнители, связанные с фазой исполнители осуществляют инициацию начала и конца выполнения фазы, а также производят ввод значимых характеристик при помощи компьютерных устройств. Например, менеджер, работающий на фазе регистрации заявок, может вводить информацию (нажимает на кнопку в интерфейсе, нажимает на устройство-кнопку, установленную на рабочем месте и т.д.) о начале и конце фазе или, например, такая информация может собираться автоматически с внешних устройств (камер наблюдения, считывателей карт, фотоэлементов, датчиков) или получаться от программных средств, с которыми работает исполнитель. В некоторых вариантах реализации в фазах, где отсутствует исполнитель данные об исполнении могут получаться от технических средств (устройств), например, станков, оборудования, отдельных агрегатов/элементов технических средств.
В некоторых вариантах реализации данные об исполнении и значимые характеристики могут получаться из набора данных, накопленного за некоторый период. Так, например, при помощи компьютерных средств могут быть собраны данные о процессе и фазах за некоторый период (день, неделя, месяц и т.д.) и сохраняться в базе данных. Потом, по мере необходимости данные могут быть извлечены для анализа.
Производят анализ каждого экземпляра процесса и фаз каждого экземпляра процесса на основании полученных данных с учетом отслеживаемых значимых характеристик и пороговых значений значимых характеристик. Под анализом подразумевается контроль соотношения текущих значений значимых характеристик (времени, стоимости, наличие отклика и т.п.) по отношению к заданным, сравнение изменения во времени соотношения текущих значений значимых характеристик (времени, стоимости, наличие отклика и т.п.) по отношению к заданным во времени, просмотр трудовой загруженности или других значимых характеристик (например, себестоимости, активности, и т.п.) ответственного (или группы ответственных) за каждую фазу процесса, количество завершившихся процессов на каждой из его фаз, с учетом изменения этого параметра во времени и т.п.
В некоторых вариантах реализации анализируется каждый экземпляр процесса на превышение значимых характеристик и в рамках каждого процесса анализируются каждый экземпляр фазы на превышение порогового значения значимых характеристик.
Например, для анализа процесса получения плановой стационарной медицинской помощи, используется логическая схема работы широкопрофильного стационара с отмеченными численными, рейтинговыми и ретроспективными значениями по показателю удельной (или средней) стоимости лечения одного пациента, на каждой фазе процесса, и путь, между фазами (отделениями), по которым может перемещаться пациент стационара.
Каждый фаза (отделение стационара) имеет раскраску, в соответствии с рейтингом этого отделения по сравнению со всеми аналогичными отделениями во всех широкопрофильных стационарах города Москвы.
На каждой фазе (отделение стационара), на плашке, указана удельная (или средняя) стоимость лечения одного пациента и при увеличении пользователем масштаба отображаемой модели логической структуры (схемы), плашка раскрывается и показывается в виде графика ретроспективное значение этого показателя и цветом выделяется тренд. Например, красный – удельная (или средняя) стоимость лечения одного пациента растёт, а, например, зелёный цвет – падает.
Для фазы «Диагностическое отделение» или «Лаборатория стационара» дополнительно указываются распределение внешних и внутренних клиентов и заказов.
Для фазы «Приёмное отделение стационара» указываются процентное и количественное соотношение госпитализированных пациентов по различным каналам госпитализации (план, «03», самотёк, прочие) по всему стационару и среднее время, проведённое пациентом в приёмном отделении до его госпитализации в профильное отделение.
Значительное превышение значений значимого показателя «Среднее время, проведённое пациентом в фазе «Приёмное отделение» до его госпитализации (перевода в фазу) в «Профильное отделение», по отношению к другим приёмным отделениям широкопрофильного стационара, может говорить о недостаточном уровне управления потоками поступающих пациентов в приёмном отделении, нехватке сотрудников в приёмном отделении, а также о недостаточно чётко организованном взаимодействии между амбулаторно-поликлинической фазой и стационаром по вопросам плановой госпитализации пациентов.
Высокие значения планово-госпитализированных пациентов указывают на эффективную работу Амбулаторного звена по предупреждению у прикреплённого населения состояний, требующих экстренной госпитализации. Высокий процент пациентов, экстренно госпитализированных службой скорой медицинской помощи, или самотёком, может сигнализировать об имеющихся проблемах в организации деятельности на фазе «Амбулаторное звено» по профилактической работе с прикреплённым населением.
Высокие значения показателя количества экстренно госпитализированных больных, ранее наблюдавшихся в Амбулаторных центрах, может свидетельствовать об имеющихся в фазе «Амбулаторное звено» проблемах в вопросах оказания профилактической помощи прикреплённому населению и предотвращению осложнений у хронических больных, приводящих к необходимости экстренной госпитализации, может свидетельствовать о несоблюдении отдельными врачами на фазе «Амбулаторное звено» методик оказания профилактической помощи прикреплённому населению и предотвращению осложнений у хронических больных, приводящих к необходимости экстренной госпитализации.
Если присутствует превышение порогового значения значимых характеристик, то производится оценка системности данного превышения (как часто оно возникает, выявляются закономерности).
В некоторых вариантах реализации в случае обнаружения системности превышения значимых характеристик производится анализ с использованием базы шаблонов, содержащих типовые варианты проблем для данного типа процессов.
В некоторых вариантах реализации в случае обнаружения системности превышения значимых характеристик производится анализ с использованием базы шаблонов, содержащих типовые варианты проблем.
В некоторых вариантах реализации в случае обнаружения системности превышения значимых характеристик производится анализ с использованием базы шаблонов, содержащих типовые варианты проблем с использованием алгоритмов нечеткой логики.
В некоторых вариантах реализации при анализе используются алгоритмы машинного обучения (нейронные сети, деревья принятия решений, многослойные нейронные сети) обучающиеся на экземплярах процесса не имеющих превышений пороговых значений значимых характеристик и имеющих превышение пороговых значений для выявления признаков, приводящих к системным превышениям.
В некоторых вариантах реализации пользователь может произвести эмуляцию выполнения процесса с учетом корректировок показателей отдельных фаз для определения эффекта, возникающего при внесении изменений.
В некоторых вариантах реализации производят эмуляцию текущего процесса, с учетом выявленных проблемных фаз и осуществляют оптимизацию значимых характеристик фаз для устранения системных превышений пороговых значений.
В некоторых вариантах реализации под каждый тип процесса формируется несколько вариантов алгоритмов машинного обучения, каждый из них проходит обучение на данных, после чего происходит отбор наиболее эффективного.
Затем отображают результаты исполнения экземпляров процесса в виртуальной области, причем визуально выделяют фазы, в которых статистически большое количество превышений пороговых значение значимых характеристик и визуально выделяют отдельные процессы, значимые характеристики которых превышают пороговые значения.
В некоторых вариантах реализации фазы и/или экземпляры процессов, где выявлено наибольшее количество превышений, выделяют цветом или специальными графическими изображениями (знаками, символами, иконками).
Затем отображают интеллектуальные подсказки по оптимизации процесса и/или отдельных фаз на основании ранее произведенного анализа. Например, для процесса получения плановой стационарной медицинской помощи, рядом с каждой фазой отображается подсказка «Рейтинг отделений стационаров», показывающую актуальный рейтинг фазы (каждого отделения стационара) в разрезе всех отделений стационаров аналогичного профиля по всем стационарам города Москвы, по значимому параметру «удельная (или средняя) стоимость лечения одного пациента».
В некоторых вариантах реализации интеллектуальные подсказки могут описывать характеристики и фазы исследуемых функциональных процессов, описывать возможные методики улучшения характеристик функциональных процессов, используя базу накопленных пользовательских оптимизаций процессов.
В одном из вариантов реализации техническое решение может представлять собой устройство для обработки и анализа больших данных, включающего следующие модули (фиг.2):
• Модуль ввода и редактирования (201), выполненный с возможностью
- получения, по крайней мере, двух фазы процесса, характеризующих функциональный процесс и пороговые значение значимых характеристик функционального процесса;
- установления для каждой фазы процесса характеристик, включающих, по крайней мере, название, пороговое время исполнения фазы, функциональные зависимости от других фаз, группу, отслеживаемые значимые характеристики фазы, пороговые значения значимых характеристик фаз;
- получения данных об исполнении каждого экземпляра процесса, включающих, по крайней мере, время исполнения каждой фазы, значимые характеристики каждой фазы;
- передачи данных в блок (202) и блок (203);
• Модуль анализа и интеллектуальных подсказок (203), выполненный с возможностью
- получения данных от модуля (201);
- определения для каждой фазы размера и визуального представления с учетом характеристик и функциональных зависимостей;
- анализа каждого экземпляра процесса и фаз каждого экземпляра процесса на основании полученных данных с учетом отслеживаемых значимых характеристик и пороговых значений значимых характеристик;
- формирования интеллектуальных подсказок по оптимизации процесса и/или отдельных фаз на основании проведенного анализа
- передачи данных и результата анализа в блок (202);
• Модуль отображения (202), выполненный с возможностью
- получения данных от блока (201) и блока (203);
- формирования и отображения фаз в виртуальной области, причём фазы размещаются последовательно, в соответствии с функциональной зависимостью друг от друга, причем для каждой фазы и на связях между фазы отображают отслеживаемые значимые характеристики;
- отображения результатов исполнения экземпляров процесса в виртуальной области;
- визуального выделения фаз, в которых статистически большое количество превышений пороговых значение значимых характеристик;
- визуального выделения отдельных процессов, значимые характеристики которых превышают пороговые значения;
В некоторых вариантах реализации модули представляют собой отдельную микросхему, ПЛИС, микрокомпьютер (например, Orange PI R1), микроконтроллер (например, Arduino) которые соединены друг с другом при помощи средств проводной или беспроводной связи, а функционал устройства задается при помощи микропрошивки реализующей описанный в данном техническом решении функционал.
На фиг. 3 показан пример компьютерной системы общего назначения на которой может реализовываться описанное техническое решение, которая включает в себя многоцелевое вычислительное устройство в виде компьютера 20 или сервера, включающего в себя процессор 21, системную память 22 и системную шину 23, которая связывает различные системные компоненты, включая системную память с процессором 21.
Системная шина 23 может быть любого из различных типов структур шин, включающих шину памяти или контроллер памяти, периферийную шину и локальную шину, использующую любую из множества архитектур шин. Системная память включает постоянное запоминающее устройство (ПЗУ) 24 и оперативное запоминающее устройство (ОЗУ) 25. В ПЗУ 24 хранится базовая система ввода/вывода 26 (БИОС), состоящая из основных подпрограмм, которые помогают обмениваться информацией между элементами внутри компьютера 20, например, в момент запуска.
Компьютер 20 также может включать в себя накопитель 27 на жестком диске для чтения с и записи на жесткий диск, не показан, накопитель 28 на магнитных дисках для чтения с или записи на съёмный магнитный диск 29, и накопитель 30 на оптическом диске для чтения с или записи на съёмный оптический диск 31 такой, как компакт-диск, цифровой видео-диск и другие оптические средства. Накопитель 27 на жестком диске, накопитель 28 на магнитных дисках и накопитель 30 на оптических дисках соединены с системной шиной 23 посредством, соответственно, интерфейса 32 накопителя на жестком диске, интерфейса 33 накопителя на магнитных дисках и интерфейса 34 оптического накопителя. Накопители и их соответствующие читаемые компьютером средства обеспечивают энергонезависимое хранение читаемых компьютером инструкций, структур данных, программных модулей и других данных для компьютера 20.
Хотя описанная здесь типичная конфигурация использует жесткий диск, съёмный магнитный диск 29 и съёмный оптический диск 31, специалист примет во внимание, что в типичной операционной среде могут также быть использованы другие типы читаемых компьютером средств, которые могут хранить данные, которые доступны с помощью компьютера, такие как магнитные кассеты, карты флеш-памяти, цифровые видеодиски, картриджи Бернулли, оперативные запоминающие устройства (ОЗУ), постоянные запоминающие устройства (ПЗУ) и т.п.
Различные программные модули, включая операционную систему 35, могут быть сохранены на жёстком диске, магнитном диске 29, оптическом диске 31, ПЗУ 24 или ОЗУ 25. Компьютер 20 включает в себя файловую систему 36, связанную с операционной системой 35 или включенную в нее, одно или более программное приложение 37, другие программные модули 38 и программные данные 39. Пользователь может вводить команды и информацию в компьютер 20 при помощи устройств ввода, таких как клавиатура 40 и указательное устройство 42. Другие устройства ввода (не показаны) могут включать в себя микрофон, джойстик, геймпад, спутниковую антенну, сканер или любое другое.
Эти и другие устройства ввода соединены с процессором 21 часто посредством интерфейса 46 последовательного порта, который связан с системной шиной, но могут быть соединены посредством других интерфейсов, таких как параллельный порт, игровой порт или универсальная последовательная шина (УПШ). Монитор 47 или другой тип устройства визуального отображения также соединен с системной шиной 23 посредством интерфейса, например, видеоадаптера 48. В дополнение к монитору 47, персональные компьютеры обычно включают в себя другие периферийные устройства вывода (не показано), такие как динамики и принтеры.
Компьютер 20 может работать в сетевом окружении посредством логических соединений к одному или нескольким удаленным компьютерам 49. Удаленный компьютер (или компьютеры) 49 может представлять собой другой компьютер, сервер, роутер, сетевой ПК, пиринговое устройство или другой узел единой сети, а также обычно включает в себя большинство или все элементы, описанные выше, в отношении компьютера 20, хотя показано только устройство хранения информации 50. Логические соединения включают в себя локальную сеть (ЛВС) 51 и глобальную компьютерную сеть (ГКC) 52. Такие сетевые окружения обычно распространены в учреждениях, корпоративных компьютерных сетях, Интернете.
Компьютер 20, используемый в сетевом окружении ЛВС, соединяется с локальной сетью 51 посредством сетевого интерфейса или адаптера 53. Компьютер 20, используемый в сетевом окружении ГКС, обычно использует модем 54 или другие средства для установления связи с глобальной компьютерной сетью 52, такой как Интернет.
Модем 54, который может быть внутренним или внешним, соединен с системной шиной 23 посредством интерфейса 46 последовательного порта. В сетевом окружении программные модули или их части, описанные применительно к компьютеру 20, могут храниться на удаленном устройстве хранения информации. Надо принять во внимание, что показанные сетевые соединения являются типичными, и для установления коммуникационной связи между компьютерами могут быть использованы другие средства.
В заключение следует отметить, что приведенные в описании сведения являются примерами, которые не ограничивают объем настоящего изобретения, определенного формулой. Специалисту в данной области становится понятным, что могут существовать и другие варианты осуществления настоящего технического решения.

Claims (33)

1. Способ анализа и обработки больших данных, характеризующих различные процессы, выполняемый на компьютерном устройстве, включает следующие шаги:
Figure 00000001
Получают по крайней мере две фазы процесса, характеризующие функциональный процесс и пороговые значения значимых характеристик функционального процесса;
Figure 00000001
Для каждой фазы устанавливают характеристики, включающие, по крайней мере, название, пороговое время исполнения фазы, функциональные зависимости от других фаз, группу, отслеживаемые значимые характеристики фазы, пороговые значения значимых характеристик фаз;
Figure 00000001
Определяют для каждой фазы размер и визуальное представление с учетом характеристик и функциональных зависимостей;
Figure 00000001
Формируют отображение фаз в виртуальной области, причем фазы размещаются последовательно, в соответствии с функциональной зависимостью друг от друга, причем для каждой фазы и на связях между фазы отображают отслеживаемые значимые характеристики;
Figure 00000001
Получают данные об исполнении каждого экземпляра процесса, включающие, по крайней мере, время исполнения каждой фазы, значимые характеристики каждой фазы;
Figure 00000001
Производят анализ каждого экземпляра процесса и фаз каждого экземпляра процесса на основании полученных данных с учетом отслеживаемых значимых характеристик и пороговых значений значимых характеристик, причем при анализе проверяется каждый экземпляр процесса на превышение значимых характеристик и в рамках каждого процесса проверяется каждый экземпляр фазы на превышение порогового значения значимых характеристик;
Figure 00000001
Формируют интеллектуальные подсказки по оптимизации процесса и/или отдельных фаз на основании проведенного анализа, при этом интеллектуальные подсказки описывают характеристики и фазы исследуемых функциональных процессов, возможные методики улучшения характеристик функциональных процессов, используя базу накопленных пользовательских оптимизаций процессов;
Figure 00000001
Отображают результаты исполнения экземпляров процесса в виртуальной области, причем визуально выделяют фазы, в которых статистически большое количество превышений пороговых значение значимых характеристик и визуально выделяют отдельные процессы, значимые характеристики которых превышают пороговые значения;
Figure 00000001
Отображают интеллектуальные подсказки по оптимизации процесса и/или отдельных фаз на основании проведенного анализа.
2. Способ по п. 1, в котором при анализе используются алгоритмы машинного обучения.
3. Способ по п. 1, в котором размеры фаз зависят от размера виртуальной области, доступной для отображения.
4. Способ по п. 1, в котором данные об исполнении каждого экземпляра процесса получают в режиме реального времени.
5. Способ по п. 1, который дополнительно содержит предварительный этап, на котором выбирают из базы готовых шаблонов процесс, наиболее близкий к тому, для которого необходимо осуществить обработку и анализ данных.
6. Устройство для обработки и анализа больших данных, включающее следующие модули:
Figure 00000001
Модуль ввода и редактирования (201), выполненный с возможностью
- получения по крайней мере двух фаз процесса, характеризующих функциональный процесс и пороговые значения значимых характеристик функционального процесса;
- установления для каждой фазы процесса характеристик, включающих, по крайней мере, название, пороговое время исполнения фазы, функциональные зависимости от других фаз, группу, отслеживаемые значимые характеристики фазы, пороговые значения значимых характеристик фаз;
- получения данных об исполнении каждого экземпляра процесса, включающих, по крайней мере, время исполнения каждой фазы, значимые характеристики каждой фазы;
- передачи данных в модуль отображения (202) и модуль анализа и интеллектуальных подсказок (203);
Figure 00000001
Модуль анализа и интеллектуальных подсказок (203), выполненный с возможностью
- получения данных от модуля ввода и редактирования (201);
- определения для каждой фазы размера и визуального представления с учетом характеристик и функциональных зависимостей;
- анализа каждого экземпляра процесса и фаз каждого экземпляра процесса на основании полученных данных с учетом отслеживаемых значимых характеристик и пороговых значений значимых характеристик, причем при анализе проверяется каждый экземпляр процесса на превышение значимых характеристик и в рамках каждого процесса проверяется каждый экземпляр фазы на превышение порогового значения значимых характеристик;
- формирования интеллектуальных подсказок по оптимизации процесса и/или отдельных фаз на основании проведенного анализа, при этом интеллектуальные подсказки описывают характеристики и фазы исследуемых функциональных процессов, возможные методики улучшения характеристик функциональных процессов, используя базу накопленных пользовательских оптимизаций процессов;
- передачи данных и результата анализа в модуль отображения (202);
Figure 00000001
Модуль отображения (202), выполненный с возможностью
- получения данных от модуля ввода и редактирования (201) и модуля анализа и интеллектуальных подсказок (203);
- формирования и отображения фаз в виртуальной области, причем фазы размещаются последовательно, в соответствии с функциональной зависимостью друг от друга, причем для каждой фазы и на связях между фазы отображают отслеживаемые значимые характеристики;
- отображения результатов исполнения экземпляров процесса в виртуальной области;
- визуального выделения фаз, в которых статистически большое количество превышений пороговых значение значимых характеристик;
- визуального выделения отдельных процессов, значимые характеристики которых превышают пороговые значения;
- отображения интеллектуальных подсказок по оптимизации процесса и/или отдельных фаз.
RU2018106711A 2018-02-22 2018-02-22 Способ и устройство для обработки и анализа больших данных, характеризующих различные процессы RU2686031C1 (ru)

Priority Applications (1)

Application Number Priority Date Filing Date Title
RU2018106711A RU2686031C1 (ru) 2018-02-22 2018-02-22 Способ и устройство для обработки и анализа больших данных, характеризующих различные процессы

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
RU2018106711A RU2686031C1 (ru) 2018-02-22 2018-02-22 Способ и устройство для обработки и анализа больших данных, характеризующих различные процессы

Publications (1)

Publication Number Publication Date
RU2686031C1 true RU2686031C1 (ru) 2019-04-23

Family

ID=66314402

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2018106711A RU2686031C1 (ru) 2018-02-22 2018-02-22 Способ и устройство для обработки и анализа больших данных, характеризующих различные процессы

Country Status (1)

Country Link
RU (1) RU2686031C1 (ru)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EA013300B1 (ru) * 2004-08-23 2010-04-30 Шлюмбергер Холдингз Лимитед Способ, система и устройство хранения программ для автоматического вычисления и отображения данных времени и стоимости в системе проектирования скважины с использованием программного обеспечения моделирования методом монте-карло
RU2400814C2 (ru) * 2004-06-15 2010-09-27 Майкрософт Корпорейшн Иерархические проекты в системе и способе управления проектом, обеспечиваемые компьютером
US20140173618A1 (en) * 2012-10-14 2014-06-19 Xplenty Ltd. System and method for management of big data sets
US20140351001A1 (en) * 2013-05-22 2014-11-27 Chandra P. Agrawal Business enterprise sales and operations planning through a big data and big memory computational architecture
US20160313874A1 (en) * 2013-12-06 2016-10-27 Biodatomics, LLC Visual effects system for "big data" analysis workflow editors, distribution platforms, execution engines, and management systems comprising same

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2400814C2 (ru) * 2004-06-15 2010-09-27 Майкрософт Корпорейшн Иерархические проекты в системе и способе управления проектом, обеспечиваемые компьютером
EA013300B1 (ru) * 2004-08-23 2010-04-30 Шлюмбергер Холдингз Лимитед Способ, система и устройство хранения программ для автоматического вычисления и отображения данных времени и стоимости в системе проектирования скважины с использованием программного обеспечения моделирования методом монте-карло
US20140173618A1 (en) * 2012-10-14 2014-06-19 Xplenty Ltd. System and method for management of big data sets
US20140351001A1 (en) * 2013-05-22 2014-11-27 Chandra P. Agrawal Business enterprise sales and operations planning through a big data and big memory computational architecture
US20160313874A1 (en) * 2013-12-06 2016-10-27 Biodatomics, LLC Visual effects system for "big data" analysis workflow editors, distribution platforms, execution engines, and management systems comprising same

Similar Documents

Publication Publication Date Title
Partington et al. Process mining for clinical processes: a comparative analysis of four Australian hospitals
US20180240140A1 (en) Systems and Methods for Analytics and Gamification of Healthcare
US10789266B2 (en) System and method for extraction and conversion of electronic health information for training a computerized data model for algorithmic detection of non-linearity in a data
Smith Health Management Information Systems: A handbook for decision makers
US20180240547A1 (en) Healthcare Visit Value Calculator
Badakhshan et al. Using process mining for process analysis improvement in pre-hospital emergency
AU2017427586A1 (en) Interactive model performance monitoring
Zhou et al. Appointment scheduling for multi-stage sequential service systems with stochastic service durations
US20200356935A1 (en) Automatic detection and generation of medical imaging data analytics
US11295325B2 (en) Benefit surrender prediction
RU2686031C1 (ru) Способ и устройство для обработки и анализа больших данных, характеризующих различные процессы
CN114360671A (zh) 电子病历的生成方法和装置、存储介质和电子装置
Restrepo-Morales et al. Customer Service Multichannel Model in a Health Care Service Provider: A Discrete Simulation Case Study
Amberg et al. Specifying hospital information systems using business process modeling
Boareto et al. A hybrid model to support decision making in the stroke clinical pathway
CN113642669A (zh) 基于特征分析的防欺诈检测方法、装置、设备及存储介质
Keith et al. How better use of data can help address key challenges facing the NHS
Bommer et al. Academic library decision support systems
Gehlot et al. Toolkit for healthcare professionals: a colored petri nets based approach for modeling and simulation of healthcare workflows
US20230106257A1 (en) Automated health monitoring system and method
Swain Big Data Challenges and Hype Digital Forensic: A Review in Health Care Management
CN114549078B (zh) 基于时序的客户行为处理方法、装置及相关设备
Mehta How Data Will Transform Health Care: We Just Need it Better, Faster, and Cheaper
Tanni Process mining for breast cancer patients’ clinical pathway: a case study at Helsinki University Hospital
da Silva Macedo Management Accounting: Exploring the Implementation of Alternative Methodologies in Hospital Settings