PMVisualization

Projeto de Iniciação Cientifica apresentando prova de conceito da visualização de grupos provenientes de Trace Clustering junto com as semelhanças e diferenças entre cada uma dessas representações de sublogs.

Geração da analise feita em python com manipulação de dados em Pandas Dataframe e visualização desenvolvida em Plotly e iGraph. Interface desenvolvida em Flask e WTForms.

Requisitos de Máquina

• Python 3.9 ou superior

Rodando o Projeto

• A versão mais atualizada deste projeto se encontra na branch "ExeVersion1".

• Para executar o projeto em sua máquina é necessário criar um ambiente virtual após clonar ou baixar o repositório. Para isso, entre na pasta onde o projeto está localizado em seu computador através do cmd,PowerShell ou terminal de sua IDE e use python3 -m venv venv-name, com venv venv-name sendo o nome do seu ambiente virutal, para criar o ambiente para um interpretador exclusivo para este projeto.

• Após isso, você deve ingressar no ambiente virtual para poder instalar os requisitos necessários do projeto. Ainda no diretorio do projeto, execute o comando venv-name\Scripts\activate.bat para entrar no venv do projeto. Assim, todos os requisitos e comandos que você rodar, valerão apenas para o interpretador do programa.

• Estando no ambiente virtual do projeto, execute o comando pip install -r requirements.txt para instalar os pacotes necessários para executar o programa.

• Com isso, basta executar o arquivo run.py que se encontra dentro da pasta proj. Você pode executá-lo na sua IDE ou no prompt de comando usando python3 run.py.

Usando a Ferramenta

Ao abrir o programa, será necessário o upload de um registro de logs personalizado para a visualização. Esse registro deve ser carregado APENAS EM .CSV. Considerando que você possua um log de eventos com sequencias de atividades que possam ser definidas e que tenha seus traces agrupados em diferentes clusters, para poder visualizar suas topologias e outras estatísticas por grupos na ferramenta, é necessário que o documento em upload no programa contenha:

• ID de case: único para cada trace
• Sequencia das Atividades do trace de cada case: um campo para cada case que contenha a ordem temporal de cada atividade no trace
• Cluster a qual o case pertence: um campo por case com a especificação do agrupamento a qual aquele case pertence

Abaixo um exemplo de como o log deve estar exposto em um dataset do tipo .csv:

CaseID	Sequence	cluster
0	A B C F G L I O H J P K Q T V U X Y Z	2
1	A B C D E B C F G I L H O P J K Q T V U X Y Z Z	1
2	A B C F L G I H O P J K Q T U V X Q T U V X Q R	3

Importante ressaltar que se o log carregado estiver com colunas que não estejam com os nomes iguais ao do exemplo, o carregamento da visualização falhará, e o upload não trará resultado.

Testes e Dados

Os datasets usados para testar e desenvolver a ferramenta são provenientes de bancos de pesquisa pertencentes aos seguintes repositórios:

• Enriched event log of an incident management process: http://processmining.each.webhostusp.sti.usp.br/index.php/event-logs/
• 11th International Workshop on Business Process Intelligence 2015: https://www.win.tue.nl/bpi/doku.php?id=2015:challenge
• Sepsis Cases Event Log: https://data.4tu.nl/articles/dataset/Sepsis_Cases_-_Event_Log/12707639