流程挖掘领域始于1990年代后期，当时Wil van der Aalst在想办法整合流程科学和数据科学，van der Aalst现在是RWTH Aachen大学负责领导流程与数据科学小组的教授。这些早期工作大部分是在理论层面，随着数据收集和分析技术不断改进，在过去的两年中这个领域开始加速发展。

van der Aalst在接受采访时说：“在过去的几年中，流程挖掘部署开始加速。”现在有30多家商业流程挖掘工具供应商，领先供应商包括Celonis、Disco、UiPath（ProcessGold）、myInvenio、Minit、Mehrwerk、Lana Labs、StereoLOGIC和Everflow等。这使大型企业（西门子和宝马）更容易在成千上万的流程挖掘用户中大规模应用流程挖掘。

该技术正应用在各种行业中，包括物流业、制造业、金融业、医疗保健业、CRM和通信业。van der Aalst说：“任何企业都可以使用流程挖掘，并且门槛很低。”

这些技术举措专注于流程发现和一致性分析，以了解人们为什么不遵循流程。更复杂的举措包括使用流程挖掘来支持一致性检查和更高级的分析，例如预测剩余处理时间。

自动化发现

Van der Aalst称其从事流程挖掘的主要动机是：他对仿真软件和依赖于人类来创建流程模型的工作流管理系统的实际使用感到失望。这些方法擅长捕捉好的流程，但无法捕捉导致大多数问题的频率较低的流程。

当时大多数工作流程管理项目都以失败告终。他们还发现，创建业务模拟的过程通常比结果更具有洞察力，因为模拟依赖太多简化假设。

van der Aalst说：“所有这些经验都告诉我，流程导向很重要，但是我们应该关联流程管理与数据库和审计跟踪中记录的实际证据。”他表示这种观点在过去五年成为主流。

补充AI

随着云计算应用程序、更好分析技术和AI的兴起，企业开始利用各种数据挖掘技术来增进对业务的了解。但是Van der Aalst认为，这些做法与流程挖掘在本质上不同。他说：“传统的机器学习、数据挖掘和AI方法不支持流程挖掘，因为没有流程模型和事件日志的概念。”例如，深度学习不能用于发现流程模型或检查一致性。

他看到很多供应商和科学家使用机器学习等术语来重新命名已经存在数十年的商业智能功能，这可能会导致失望和错误投资。

尽管流程挖掘有所不同，但我们可以将其与数据挖掘和机器学习结合使用。在发现流程模型后，我们可能已经确定有趣的瓶颈和偏差，而需要进行进一步研究。通过利用流程挖掘结果，我们可以生成监督学习问题，并可使用从决策树到深度神经网络等方法来解决这些问题。例如，这些技术的组合可用于解释为什么会出现延迟或预测何时更有可能出现偏差。

展望未来，van der Aalst预计传统流程建模和流程挖掘将会融合。目前，在通过Signavio、Bizagi、ARIS、iGrafx和Camunda等工具构建的业务流程模型和标记法（Business Process Model and Notation）系统与使用流程挖掘生成的流程模型之间，仍然存在差距。他认为，该行业为缩小这些差距所做的努力可能使更广泛的业务用户群从流程挖掘数据中受益。

专注于业务流程卫生

流程挖掘可揭露性能和合规性问题。通过使这些过程透明，我们还可以降低成本、提高质量和消除延迟，以改善流程。van der Aalst说，尽管优势显而易见，但管理层通常希望业务案例能够展现投资回报率，这也使得流程挖掘部署减缓。

对于CIO来说，更合适的重点是将流程挖掘与个人卫生做比较。虽然为个人卫生制定清晰的业务案例并不容易，但不这样做会增加罹患疾病和传播疾病的风险。van der Aalst说：“这意味着，不使用流程挖掘的企业很可能不了解实际过程和问题。”

他认为，重要的是开始大规模的流程挖掘，而不是小规模项目。他还建议应持续进行流程挖掘，并部署很多流程，而不是作为一个试点项目，在给定时间对单个流程进行一次分析。

由于数据提取非常耗时，通常只能执行一次，但要确保使用最新事件数据持续执行。 他说：“CIO在不了解流程挖掘的影响和广泛范围的情况下，不应要求业务案例。”