企业数字化转型是一个全球化的现象，随着企业看到竞争对手扩大对技术的使用以获得优势，数字解决方案正在推动对不同行业和业务的过程改进和过程转换的前所未有的需求。

截至2019年，全球40%的数字转型举措将依赖人工智能的支持，从而为更好的运营和盈利模式提供及时的洞察；

截至2019年底，用于数字转型的支出比2017年约增长42%，在全球范围内约达到1.7万亿美元；

2020年，预计60%的企业在全组织范围内实施数字化平台战略。

企业的每项业务都是一个核心流程的集合，这使得核心流程成为了IT建设和企业数字化转型的基础设施，也是业务操作的基本单元。但是，随着企业将经营生产的各个方面数字化到IT系统中，操作核心流程本身逐渐成为了复杂的工作——速度太快、频率太高、相互关联和分散，无法手动管理。更为重要的是业务会随着时间的推移而发展——它们会发生变化，例如扩大规模、购买新系统、进行合并和收购、抛弃旧流程、采用新流程、构建新产品、进入新领域、迁移到云计算等。每一个这样的变化都会影响到流程环境，如果没有对整个场景是如何连接的整体理解，就不可能为特定的业务结果优化核心流程。因此，业务顾问和流程管理软件都无法有效解决这个问题。

流程挖掘是专门为处理现代业务流程环境的固有复杂性和动态性而构建的。它为单个流程的细节、它们之间的关系以及它们所交付的结果提供了深度的可见性和控制，使用流程挖掘不仅在于理解如何使业务的各个部分更加高效，还在于如何校准单个组件，从而针对特定结果优化整个运营引擎。

流程优化并不是一个新技术。但是，现代过程环境的规模和复杂性已经迅速加快，超出了传统工具的能力。流程映射软件、商业智能软件（BI）以及其他一些项目管理软件不能提供持续性的实时洞察与流程控制。流程挖掘与当前技术的对比如下表所示。

表1 流程优化技术对比

如图1所示，核心业务流程管理技术的发展一方面是从流程管控模型出发，在20世纪90年代推出了6σ（西格玛）管理策略，该模型总结了全面质量管理的成功经验，提炼了其中流程管理技巧的精华和最有效的方法，成为一种提高企业业绩与竞争力的管理模式；另一方面是以数据为中心的业务流程分析技术，在经历了长时间的发展后形成了ERP、BPM以及当前正在发展的基于云计算与云服务的数据分析与流程管理技术。

图1 流程挖掘与业务数据分析和流程管理模型的关系

流程挖掘在传统的基于模型的过程分析和以数据为中心的分析技术(如机器学习和数据挖掘)之间架起了一座桥梁。Wil van der Aalst博士被许多人视为“流程挖掘教父”，他在20世纪90年代开始探索基于事件日志的自动化流程发现的可能性。这种方法融合了过程分析和以数据为中心分析的优点，不仅可以从事件日志数据生成流程模型，还能够将现有流程模型与同一流程的事件日志进行比较，以检查实际执行的流程是否符合模型过程，甚至可以根据流程日志反馈的信息修改或者扩展现有流程模型。

一个完备的流程挖掘软件应该包含采集、发现、增强与检测这四个主要逻辑功能单元，如图2所示，其中：

图2 流程挖掘的处理流程

采集功能是流程挖掘的第一阶段，负责建立源系统中关键数据源的实时链接(通过预先构建的连接器和API)，提取原始数据并将其转换为事件日志。

采集功能定义一个事件日志必须包含三个重要组成部分，即：

一个活动；

一个时间戳；

一个对象或者ID。

过程挖掘技术聚合这些事件日志，并在它们实际发生时(每次发生时)在整个组织内重新构建事件流，形成基于数据的流程。

发现功能是流程挖掘的第二阶段，通过大规模的事件日志分析，完善整个流程环境，获得访谈、流程映射和项目管理无法获取的流程细节，即每一次流程执行时，获取每一步的细节信息。随后，用户可以系统的量化流程环境的总和：每个案例、路径、变化和错误，以及它们对业务的影响。目的是发现：

摩擦点（产生冲突的节点）及其发生的根本原因

最佳路径以及偏离最佳路径的所有路径

业务成果（针对初始条件和采取纠正措施进行评估）

通过交互式可视化的方式探索流程中的关键指标信息，构建每个流程的完整视图，具体包括：

流程中的实例/事项数量

流程中实例/事项的总价值

流程的步骤数

实例/事项通过流程的不同路径数量

流经每个变体路径的实例/事项数量

流程步骤和变体路径的可视化

一方面，用户可以通过对时间与频度的过滤操作，以及点选指定活动或者行为的交互方式，在流程浏览器中查看流程的变化视图；另一方面，发现功能根据企业运营管理需求构建数据分析模型，辅助用户理解每个流程变化的根本原因(和增强机会)，根据其对核心业务相关KPI的影响进行响应优先级排序，例如：准时交货、营运资本、客户满意度、减少风险、运营成本、自动化率等。

增强功能是流程挖掘的第三阶段，用户利用数据挖掘模型在同一流程挖掘接口内，跨越所有相关事务系统执行增强操作，具体包括：

纠正错误

消除错误步骤或者增加新的步骤

减少人力劳动

改进流程配置、标准化和治理

其实现方法如图3所示, 机器学习模型能够在数百万案例数据和数百种完全不同的系统数据中进行模式识别（并能分析模式形成的原因）；动作引擎是人工智能驱动的过程助手，会持续性进行数据分析，并主动提供实时的纠正措施，将中断的流程恢复到满意的路径；流程自动化允许业务用户跨应用程序和系统构建自动化的工作流（无需编写一行代码），确保用户每次接触流程时，都能够专注于创造价值的工作。。

图3 增强功能逻辑图

发现、分析和增强是持续不断的活动，这些功能使得企业流程与不断发展的业务需求保持紧密的同步，所以持续改进是流程挖掘的核心。在流程挖掘的第四个阶段，执行官和经理可以根据KPI和业务成果来衡量和监控流程绩效。这种反馈循环对于业务优化升级至关重要，其准则包括：

让团队对目标进度负责

流程实时校正

提高不同团队的参与度

在整个业务范围内建立针对进一步流程挖掘计划的需求

向上和向外得信息传达成功

实现该功能的核心工具是一致性检查工具与转化中心工具。一致性检查有助于持续评估核心流程与理想的幸福路径之间的紧密程度。这有助于识别和纠正新的摩擦点，并支持透明的治理，降低受监管流程的风险；转化中心是一个单一窗格的管理环境，它可以测量和监视随着时间的推移实现KPI和业务成果的进度，使个人、团队和整个组织专注于真正推动业务绩效的、更具战略性的目标。