OTE-001 / OBSERVED
Enterprise Process Reconstruction
532a63990523a89438a28fd0b68fb52db5cca98183be0b59a7fc1c340ec9c3ea← Dynamics LabOperations
DYNAMICS LAB / ENGINE 02 / v0.1.0
Operations
Twin.
Modeling Complex Business Operations Through Digital Twins.
Dalle registrazioni di ordini e pratiche ricostruisce i passaggi di un processo aziendale. Crea un gemello digitale, cioè un modello software del processo, e misura quanto ne riproduce i tempi e i percorsi. Permette poi di esplorare cambiamenti ipotetici.
BPI Challenge 2019 / Apri il report ↓Capire il processo prima di cambiarlo.
- Ricostruisce passaggi e tempi dalle registrazioni aziendali.
- Confronta il modello con pratiche non usate per costruirlo.
- Simula cambiamenti ipotetici e ne mostra l’incertezza.
In praticaPuoi esplorare cosa succede nel modello se arrivano più pratiche o diminuiscono alcuni passaggi ripetuti. I risultati descrivono uno scenario ipotetico; i confronti con i dati reali mostrano anche dove il modello deve migliorare.
Esplora la visualizzazione del progetto
Problema, contributo e mercato
- Problema affrontato
- I registri degli acquisti mostrano percorsi, attese e varianti difficili da ricostruire manualmente. Prima di valutare un cambiamento serve capire quanto fedelmente il modello riproduce lo storico.
- Contributo rispetto allo stato dell’arte
- Il process mining e la simulazione a eventi discreti sono già in uso. Operations Twin confronta tre modelli su periodi distinti e rende visibili i criteri mancati, separandoli dagli scenari ipotetici sulle code.
- Uso commerciale possibile
- Team acquisti, responsabili di processo e consulenti possono provare un’analisi offline su esportazioni autorizzate e preparare un pilota prima di cambiare capacità o flussi di approvazione.
- Contesto di mercato
- Il process mining per gli acquisti è un mercato servito da piattaforme come Celonis. Un possibile segmento è il progetto circoscritto di ricostruzione e verifica dei processi, a partire da esportazioni.
Valore lordo potenziale per cliente, all’anno
4080 € – 12.240 €
12 revisioni di processo/anno × 4–12 ore risparmiate per attività × 85 €/ora.
Scenario illustrativo da verificare in un pilota, al lordo dei costi di adozione.
Riferimenti4TU · BPI ChallengeCelonis · Purchase-to-PaySimPy
Comprendere il processo. Modellare il sistema. Verificare il cambiamento.
Un processo aziendale. Un laboratorio computazionale.
Operations Twin ricostruisce le attività e le relazioni presenti nei dati, calibra modelli del comportamento osservato e li confronta con pratiche di periodi successivi. Permette di esplorare cambiamenti ipotetici, rendendo esplicite assunzioni, incertezza e limiti.
HOW IT WORKS
Dal dato operativo, alla verifica.
- 01Business Event Logs
- 02Process Reconstruction
- 03Mathematical Modeling
- 04Digital Twin Calibration
- 05Discrete-Event Simulation
- 06Statistical Validation
- 07Scenario Analysis
- 08Verified Results
IMPLEMENTED CAPABILITIES
Il processo diventa analizzabile.
Importazione XES/CSV/Parquet/JSON, ricostruzione delle tracce, varianti, grafo delle transizioni e analisi dei tempi. SimPy gestisce risorse, code FIFO ed eventi; Monte Carlo misura variabilità e sensibilità.
Streaming XES + columnar Parquet
Category-specific process discovery
Empirical and semi-Markov twins
SimPy FIFO resources / event scheduler
Chronological independent validation
Paired Monte Carlo / sensitivity
OTE-001 / DATI STORICI REALI
L’intero processo, dalla fonte originale.
Il log pubblico BPI Challenge 2019 descrive un processo Purchase-to-Pay reale. Il file XES completo è verificato contro la fonte 4TU; le quattro categorie di matching restano distinte. Pratiche, documenti ed eventi non vengono confusi.
1.595.923eventi reali ricostruiti
251.734pratiche / voci di acquisto
76.349documenti di acquisto
42attività distinte
BPI Challenge 2019 / Boudewijn van Dongen / 4TU.ResearchData / version 1 / CC BY 4.0 / 11.973 varianti osservate
La qualità dei dati è parte del risultato.
Timestamp fuori dal periodo dichiarato, identificativi mancanti e possibili duplicati sono conteggiati. Non vengono corretti o eliminati in silenzio. Le durate sono intervalli trascorsi fra osservazioni: non misurano direttamente lavoro o attesa.
45.455 / 1.595.923 events outside declared 2018
0% excluded from full discovery
132.748 exact-attribute duplicate candidates retained
OTE-001
Conclusioni dell’esperimento
Il registro BPI 2019 ha permesso di ricostruire 251.734 casi, quasi 1,6 milioni di eventi e 11.973 sequenze diverse. Le varianti mostrano che il processo d’acquisto osservato seguiva molti percorsi, utili per individuare dove approfondire.
Limiti della prova. Il tempo tra due eventi è un intervallo osservato. Il registro non consente di separare lavoro e attesa, e una ripetizione può dipendere da attività legittime.
OTE-002 / INDEPENDENT TEMPORAL TEST
Quanto fedelmente riproduce il processo?
Cosa fanno i singoli modelli
Apri un modello per vedere il problema, il contributo nel progetto e un possibile impiego professionale.
Pooled bootstrap
- Problema affrontato
- Generare casi di riferimento dai percorsi storici.
- Contributo rispetto allo stato dell’arte
- Ricampiona tracce complete da un bacino comune. Il progetto lo valuta su periodi separati dagli esempi usati per stimarlo.
- Uso commerciale possibile
- Ottenere una baseline per confrontare durata e frequenza dei percorsi in un pilota.
Category bootstrap
- Problema affrontato
- Rappresentare differenze tra categorie di acquisto.
- Contributo rispetto allo stato dell’arte
- Ricampiona tracce complete per categoria e lo studio ne misura il contributo con la stessa verifica temporale del modello aggregato.
- Uso commerciale possibile
- Valutare segmenti di acquisto con sufficiente storico prima di un progetto di integrazione.
Semi-Markov
- Problema affrontato
- Rappresentare transizioni fra eventi e intervalli fra transizioni.
- Contributo rispetto allo stato dell’arte
- Il modello semi-Markov è una tecnica nota. Qui rende esplicite le transizioni e viene verificato anche sulle frequenze dei percorsi completi.
- Uso commerciale possibile
- Studiare transizioni da verificare con i responsabili di processo durante un pilota.
Simulazione a eventi discreti
- Problema affrontato
- Capire come capacità e domanda ipotetiche influenzino le code.
- Contributo rispetto allo stato dell’arte
- La simulazione a eventi discreti è consolidata. OTE-003 confronta scenari FIFO con repliche accoppiate e ipotesi dichiarate.
- Uso commerciale possibile
- Preparare la discussione su capacità e livelli di servizio da verificare su un pilota reale.
Tre modelli, gli stessi dati e un test cronologico indipendente. Il modello viene scelto sul periodo di validazione, prima del test. Qui sono visibili gli errori di tutti i modelli, comprese le baseline.
23.886 calibration cases · 3000 validation cases · 1757 independent test cases / 654 documents
| Modello | Errore durata media | Errore mediana | Errore P90 | Errore throughput | Distanza varianti TV |
|---|---|---|---|---|---|
| pooled_bootstrap / validation-selected | 12,16% | 10,24% | 22,52% | 15,28% | 0,372 |
| category_bootstrap | 11,72% | 9,97% | 21,68% | 15,07% | 0,369 |
| semi_markov | 11,57% | 1,96% | 30,81% | 18,2% | 0,781 |
Prestazioni misurate. Validazione con criteri verificabili.
Il modello selezionato riproduce alcuni indicatori aggregati, ma la distribuzione dei percorsi non rientra ancora in tutte le soglie prefissate. Il benchmark documenta dove funziona e dove occorre migliorarlo; il gemello non è presentato come completamente validato.
Variant TV acceptance bound ≤0.30 / selected model: 0,372. Error of mean elapsed duration: 12,16%.
| Test category | N | Copertura intervallo durata nominale 90% |
|---|---|---|
| 2-way match | 1 | 100% / insufficient evidence |
| 3-way match, invoice after GR | 104 | 93,27% |
| 3-way match, invoice before GR | 1652 | 92,55% |
OTE-002
Conclusioni dell’esperimento
Il bootstrap aggregato, scelto sul campione di validazione, ha stimato i tempi medi del test con il 12,2% di errore relativo. La distanza tra le distribuzioni delle varianti è stata però 0,372, oltre la soglia di 0,30. Tutti e tre i modelli superavano quella soglia: il gemello riproduce meglio i tempi che i percorsi.
Limiti della prova. La validazione è parziale e retrospettiva, con arrivi osservati già noti al simulatore. Per la categoria a due vie c’era un solo caso di test.
Esito per modello
- Pooled bootstrap
- Migliore sul campione di validazione. Nel test, distanza delle varianti 0,372.
- Category bootstrap
- Nel test, distanza 0,369, poco più bassa ma ancora sopra la soglia.
- Semi-Markov
- Errore mediano di durata contenuto, circa 2%, ma distanza tra le varianti di 0,781.
OTE-003 / SCENARI IPOTETICI / NON VALIDATI
Modificare le ipotesi. Misurare la risposta.
Sette scenari, con repliche Monte Carlo e confronti appaiati: crescita della domanda, capacità, servizio ipotizzato, transizioni Change/Cancel, interruzione temporanea e modifiche combinate. Gli effetti descrivono il modello, senza promettere risultati economici reali.
750 base cases · 50 Repliche per scenario · 7 scenarios · 9 sensitivity cells · assumed service share 0.05 · designed utilization 0.70
| Scenario | Durata media simulata | 95%CI / MC mean | Paired Δ vs base / days |
|---|---|---|---|
| base | 49,14 d | 48,92 – 49,36 | 0 |
| demand growth | 49,98 d | 49,77 – 50,2 | 0,841 |
| capacity reduction | 49,95 d | 49,67 – 50,23 | 0,806 |
| automation | 48,81 d | 48,59 – 49,03 | -0,336 |
| rework reduction | 49,09 d | 48,88 – 49,31 | -0,049 |
| disruption | 49,18 d | 48,97 – 49,4 | 0,041 |
| combined | 48,8 d | 48,62 – 48,98 | -0,347 |
OTE-003
Conclusioni dell’esperimento
Nelle 50 repliche per scenario, l’automazione ipotizzata riduceva il ciclo medio da 49,14 a 48,81 giorni simulati. Più domanda o meno capacità allungavano la coda. Il modello mostra la direzione degli effetti per le ipotesi scelte.
Limiti della prova. Capacità, tempi di servizio e interventi sono ipotetici. Le differenze non dimostrano risparmi o miglioramenti ottenibili in azienda.
COMPUTED EVENTS / INTERACTIVE REPLAY
Il gemello, evento per evento.
Replay interattivo di una simulazione realmente calcolata. Scegli scenario, pratica sintetica e istante: il sito riproduce gli eventi, mentre il calcolo scientifico resta locale.
SCENARI IPOTETICI / NON VALIDATI
Primi 20 agenti visualizzati; le metriche comprendono l’intero campione. Code e slot sono calcolati con parametri ipotetici, non capacità osservate dell’azienda.
…
VERIFIED RESEARCH OUTPUTS
Evidenze, report e riproducibilità.
OTE-002 / COMPUTED RESULT
Digital Twin Calibration & Validation
5947b4bc8b35778d6c4735b21e43849dcb9ea17767bf8ca53dc7114a4cb5e4cdOTE-003 / HYPOTHETICAL SCENARIO
Enterprise What-If Simulation
6855a0170325dffa811a51831f47be6741f66f879d8619900076fddba8db8742SHARED COMPUTATIONAL SERVICES
Il core comune. Un dominio nuovo.
Acquisizione, job persistenti, provenance e confini API riutilizzano lo Shared Research Core. Un adattatore SimPy estende Dynamics Lab con eventi discreti; il simulatore del movimento e i cinque Research Engines restano invariati.
Architecture & reuse ↗LOCAL WORKSPACE
Un laboratorio locale completo.
Overview, Process Explorer, Performance, Digital Twin, What-If Lab, Validation e Research Results. Nuovi scenari vengono calcolati dal backend locale; il sito pubblico presenta report statici e replay autentici.
OPEN SOURCE / APACHE 2.0
Codice aperto. Dati attribuiti.
Codice originale Apache 2.0. BPI Challenge 2019 resta CC BY 4.0, con attribuzione a Boudewijn van Dongen e 4TU.ResearchData. I log originali e gli identificativi non sono pubblicati con il pacchetto.
Qualificato su Mac Apple Silicon con Python 3.12. Windows e Linux non collaudati. L’IA locale è opzionale; nessun modello da scaricare per i calcoli.
python3.12 operations_twin/setup.py .venv-ote/bin/python -m operations_twin.cli serve