Information Systems Review (경영정보학연구)

The Korea Society of Management Information Systems (한국경영정보학회)
권호 표지
DOI QR코드

DOI QR Code

Exploring the Prediction of Timely Stocking in Purchasing Process Using Process Mining and Deep Learning

프로세스 마이닝과 딥러닝을 활용한 구매 프로세스의 적기 입고 예측에 관한 연구

  • 강영식 (명지대학교 경영정보학과) ;
  • 이현우 (명지대학교 경영정보학과) ;
  • 김병수 (영남대학교 경영학과)
  • Received : 2018.11.13
  • Accepted : 2018.12.03
  • Published : 2018.12.31
Download PDF
⟨ Previous Next ⟩

Abstract

Applying predictive analytics to enterprise processes is an effective way to reduce operation costs and enhance productivity. Accordingly, the ability to predict business processes and performance indicators are regarded as a core capability. Recently, several works have predicted processes using deep learning in the form of recurrent neural networks (RNN). In particular, the approach of predicting the next step of activity using static or dynamic RNN has excellent results. However, few studies have given attention to applying deep learning in the form of dynamic RNN to predictions of process performance indicators. To fill this knowledge gap, the study developed an approach to using process mining and dynamic RNN. By utilizing actual data from a large domestic company, it has applied the suggested approach in estimating timely stocking in purchasing process, which is an important indicator of the process. The analytic methods and results of this study were presented and some implications and limitations are also discussed.

예측 분석을 전사 프로세스에 적용하는 것은 운영비용을 절감하고 생산성을 증대시킬 수 있는 효과적 방법이다. 이에 따라 비즈니스 프로세스의 행동과 성과지표를 예측하는 능력이 기업의 핵심역량으로 간주되고 있다. 최근에 순환신경망 형태의 딥러닝을 이용한 프로세스 예측 연구가 큰 관심을 받고 있다. 특히, 순환신경망을 이용하여 다음 단계의 액티비티를 예측하는 접근법이 우수한 결과를 내고 있다. 그러나 동적 순환신경망 형태의 딥러닝을 프로세스 성과지표의 예측에 적용한 연구는 부재한 상황이다. 이러한 지식의 공백을 메우기 위해 본 연구는 프로세스 마이닝과 동적 순환신경망 형태의 딥러닝을 이용하는 접근법을 개발했다. 국내 대기업의 실제 데이터를 활용하여 구매 프로세스의 중요한 성과지표인 적기 입고 예측에 개발된 접근법을 적용했다. 본 연구의 실험 방법과 결과, 연구의 시사점과 한계점이 제시되었다.

Keywords

Acknowledgement

본 논문은 정석물류학술재단 지원에 의하여 연구되었음.

References

  1. 강영식, 프로세스마이닝을 이용한 자재유형별 구매이력분석을 통한 조달프로세스 개선방안 도출, 명지대학교 산학협력단, 2014.
  2. 강영식, 박승범, 이보경, 강성구, "빅데이터 시대에 SAP ERP프로세스 마이닝과 프로세스 모니터링의 연계 방안에 관한 연구", e-비즈니스연구, 제16권, 제4호, 2015, pp. 265-288. https://doi.org/10.15719/GEBA.16.4.201508.265
  3. 김정연, 윤석준, 이보경, 강영식, "동적 순환신경망을 이용한 프로세스 행동 예측에 관한 연구", 2018 제20회 경영관련학회통합학술대회 한국경영공학회발표집, 2018, pp. 43-54.
  4. 김현경, 신광섭, "Process Mining 기법을 이용한 물류센터입출고 프로세스 분석 및 개선방안 수립", 한국경영과학회지, 제39권, 제4호, 2014, pp. 1-17. https://doi.org/10.7737/JKORMS.2014.39.4.001
  5. 박광오, 장활식, 정대현, "공급사슬 내의 파워유형이 정보역량에 미치는 영향: CSV 가치창출관점", 정보시스템연구, 제27권, 제3호, 2018, pp. 1-24.
  6. 박성민, 박찬권, "환경 불확실성의 다차원성이 Smart SCM 요인 및 기업 경영성과에 미치는 영향에 대한 연구", 로지스틱스 연구, 제26권, 제2호, 2018, pp. 105-126.
  7. 방성혁, 배석현, 박현규, 전명중, 김제민, 박영택, "순환신경망 기반의 사용자 의도 예측 모델", 정보과학회논문지, 제45권, 제4호, 2018, pp. 360-369 https://doi.org/10.5626/JOK.2018.45.4.360
  8. 서영복, 김봉기, 박찬권, 윤재희, "대기업과 중소기업의 상생협력을 통한 SCM 혁신 사례연구: S사와의 협업을 통한 I사의 혁신사례", 경영컨설팅연구, 제12권, 제4호, 2012, pp. 495-517.
  9. 서지혜, 용환승, "전자상거래 추천시스템을 위한 순환신경망 알고리즘들의 성능평가", 정보과학회 컴퓨팅의 실제 논문지, 제23권, 제7호, 2017, pp. 440-445. https://doi.org/10.5626/KTCP.2017.23.7.440
  10. 송인성, 조남욱, "예측 기반의 물류관리시스템 최적 저장위치결정모형", 한국 SCM 학회지, 제15권, 제1호, 2015, pp. 1-7.
  11. 오민재, 노명일, 박성우, 김성훈, "빅데이터 분석을 이용한 해양 구조물 배관 자재의 소요량 예측", 대한조선학회논문집, 제55권, 제3호, 2018, pp. 243-251. https://doi.org/10.3744/SNAK.2018.55.3.243
  12. 유영석, 박한규, 백승훈, 홍성찬, "빅데이터 환경에서 프로세스 마이닝을 이용한 영업감사 상시 모니터링 강화에 대한 연구", 인터넷정보학회논문지, 제17권, 제6호, 2016, pp. 123-131. https://doi.org/10.7472/JKSII.2016.17.6.123
  13. 이동하, 박재훈, 배혜림, "조선 산업에서 프로세스 마이닝을 이용한 블록 조립 프로세스의 계획 및 실적 비교 분석", 한국전자거래학회지, 제18권, 제4호, 2014, pp. 145-167. https://doi.org/10.7838/JSEBS.2013.18.4.145
  14. 전대욱, 배혜림, "인공신경망을 이용한 항만터미널에서 컨테이너의 비정상 이송 프로세스 예측", 한국SCM학회지, 제15권, 제2호, 2015, pp. 117-126.
  15. 정진우, 이영신, 이보경, 김정연, 강영식, "프로세스 마이닝을 활용한 국내 중소기업 ERP 프로세스 분석에 관한 연구: 국내 화장품 제조기업의 사례를 중심으로", Information Systems Review, 제20권, 제1호, 2018, pp. 81-98. https://doi.org/10.14329/isr.2018.20.1.081
  16. 트란 광 카이, 송사광, "딥러닝기반침수수위예측: 미국텍사스트리니티강사례연구", 정보과학회논문지, 제44권, 제6호, 2017, pp. 607-612.
  17. 황채영, 서창교, "SCM통합과 기업성과의 인과관계 분석", 정보시스템연구, 제24권, 제1호, 2015, pp. 27-44. https://doi.org/10.5859/KAIS.2015.24.1.27
  18. Andrews, R., S. Suriadi, M. Wynn, A. H. M. ter Hofstede, and S. Rothwell, "Improving patient flows at St. andrew's war memorial hospital's emergency department through process mining", In: vomBrocke J. and Mendling J. (eds), Business Process Management Cases. Management for Professionals, Springer, Cham, 2018.
  19. Barbosa, M. W., A. Vicente, M. B. Ladeira, and M. P. V. Oliveira, "Managing supply chain resources with big data analytics: A systematic review", International Journal of Logistics Research and Applications, Vol.21, No.3, 2018, pp. 177-200. https://doi.org/10.1080/13675567.2017.1369501
  20. Bengio, Y., P. Simard, and P. Frasconi, "Learning long-term dependencies with gradient descent is difficult", Journal of IEEE Transactions on Neural Networks, Vol.5, No.2, 1994, pp. 157-166. https://doi.org/10.1109/72.279181
  21. Breuker, D., M. Matzner, P. Delfmann, and J. Becker, "Comprehensible predictive models for business processes", MIS Quarterly, Vol.40, No.4, 2016, pp. 1009-1034. https://doi.org/10.25300/MISQ/2016/40.4.10
  22. Du, M., Empirical Study of Deep Neural Network Architectures for Protein Secondary Structure Prediction (Master of Science), University of Missouri, 2017.
  23. Evermann, J., J. R. Rehse, and P. Fettke, "Predicting process behaviour using deep learning", Decision Support Systems, Vol.100, 2017, pp. 129-140. https://doi.org/10.1016/j.dss.2017.04.003
  24. Hochreiter, S. and J. Schmidhuber, "Long short term memory", Neural Computation, Vol.9, No.8, 1997, pp. 1735-1780. https://doi.org/10.1162/neco.1997.9.8.1735
  25. Lee, Y., A Reference Model for Big Data Analysis in Shipbuilding Industry (Master's Thesis), Department of Management Engineering, UNIST, 2017.
  26. Manyika, J., M. Chui, B. Brown, J. Bughin, R. Dobbs, C. Roxburgh, and A. H. Byers, BigData: The Next Frontier for Innovation, Competition, and Productivity, McKinsey GlobalInstitute, 2011.
  27. Park, K. O. and H. S. Chang, "Studies on determinant factors of SCM performance: From the supplier perspective", Asia Pacific Journal of Information Systems, Vol.21, No.1, 2011, pp. 1-27. https://doi.org/10.1111/j.1365-2575.2010.00367.x
  28. Sowar, N. and K. Gromley, Sharper View: Analytics in the Global Steel Industry, Deloitte, 2011.
  29. Tax, N., I. Verenich, M. La Rosa, and M. Dumas, "Predictive business process monitoring with LSTM neural networks", International Conference on Advanced Information Systems Engineering, 2017, pp. 477-492.
  30. Van der Aalst, W. M. P., Process Mining: Data Science in Action, Springer, 2016.
  31. Waller, M. A. and S. E. Fawcett, "Data science, predictive analytics, and big data: A revolution that will transform supply chain design and management", Journal of Business Logistics, Vol.34, No.2, 2013, pp. 77-84. https://doi.org/10.1111/jbl.12010
  32. Wang, Y., F. Caron, J. Vanthienen, L. Huang, and Y. Guo, "Acquiring logistics process intelligence: Methodology and an application for a chinese bulk port", Expert Systems with Applications, Vol.41, No.1, 2014, pp. 195-209. https://doi.org/10.1016/j.eswa.2013.07.021
  33. Wu, L, X. Yue, A. Jin, and D. C. Yen, "Smart supply chain management: A review and implications for future research", The International Journal of Logistics Management, Vol.27, No.2, 2016, pp. 395-417. https://doi.org/10.1108/IJLM-02-2014-0035
  34. Yoo, S., M. Cho, E. Kim, S. Kim, Y. Sim, D. Yoo, H. Hwang, and M. Song, "Assessment of hospital processes using a process mining technique: Outpatient process analysis at a tertiary hospital", International Journal of Medical Informatics, Vol.88, 2016, pp. 34-43. https://doi.org/10.1016/j.ijmedinf.2015.12.018