Mineração de Processos: dos Eventos às Decisões

Curso intensivo de 6 horas, com slides e práticas reproduzíveis em Python.

Este curso apresenta Process Mining como uma ponte entre dados, processos e decisões. Em vez de começar por algoritmos isolados, partimos de perguntas: o que realmente acontece, o que não está em conformidade, como melhorar e o que provavelmente acontecerá a seguir?

A ideia central é aprender a construir evidência confiável a partir de eventos, sem esconder as escolhas de representação, os compromissos entre métricas ou as limitações dos modelos.

Professor: Sylvio Barbon Junior
Áreas conectadas: Process Mining, Machine Learning, Data Science e Inteligência Artificial.

Para quem é o curso

O material foi pensado para estudantes, pesquisadores e profissionais que desejam compreender processos reais a partir de dados. Conhecimentos básicos de análise de dados e Python ajudam nas práticas, mas não são necessários para acompanhar a parte conceitual.

Ao final das seis horas, o participante deverá ser capaz de:

• reconhecer casos, atividades, timestamps, recursos e payloads em um log;
• avaliar a qualidade semântica dos dados antes de aplicar algoritmos;
• analisar variantes e usar Pareto para equilibrar cobertura e compactação;
• descobrir modelos e discutir fitness, precisão, generalização e simplicidade;
• relacionar conformidade, desempenho, organização e previsão;
• reconhecer quando abordagens centradas em objetos ou multimodais são mais adequadas.

Ementa

Módulo	Tópicos
1. Visão orientada a processos	Eventos, traces, ciclo de vida, perspectiva de controle de fluxo e perguntas analíticas
2. Engenharia e exploração	Semântica do log, profiling, flattening, variantes, payloads e fronteira de Pareto
3. Modelagem e descoberta	DFG, Petri nets, BPMN, descoberta indutiva e estratégias de modelagem
4. Qualidade e conformidade	Fitness, precisão, generalização, simplicidade, token replay e alinhamentos
5. Aprimoramento e ML	Desempenho, gargalos, recursos, handovers, encoding e monitoramento preditivo
6. Novas perspectivas	Processos centrados em objetos, OCEL, logs multimodais, comunicação e oportunidades de pesquisa

Roteiro de 6 horas

Horário	Atividade
00:00–00:45	Módulo 1: adotar uma visão orientada a processos antes de pensar em algoritmos
00:45–01:30	Módulo 2: construir e explorar um log confiável
01:30–01:45	Pausa
01:45–02:30	Módulo 3: representar e descobrir comportamento
02:30–03:15	Módulo 4: avaliar modelos e desvios
03:15–03:30	Pausa
03:30–04:15	Módulo 5: explicar desempenho e antecipar resultados
04:15–05:00	Módulo 6: objetos, multimodalidade e pesquisa
05:00–05:45	Prática integradora com variantes, modelos e métricas
05:45–06:00	Síntese, limitações e próximos passos

Uma amostra da jornada

Das perguntas aos métodos

Process Mining não é um único algoritmo. Cada ramo responde a uma pergunta diferente e exige evidências e critérios de validação próprios.

Variantes são uma decisão multicritério

Cobertura, compactação, relevância e estabilidade podem entrar em conflito. A fronteira de Pareto ajuda a comparar configurações não dominadas, mas não substitui a inspeção dos traces nem a decisão de domínio.

Não existe uma única métrica de qualidade

Um modelo pode reproduzir o log e ainda permitir comportamento demais. Fitness e precisão ilustram por que a escolha do “melhor” modelo depende do uso pretendido.

O evento pode carregar muito mais que uma atividade

Textos, documentos, imagens, áudio e sensores podem enriquecer a análise, desde que tempo, proveniência, acesso e validade semântica sejam preservados.

Materiais

• Slides completos em português
• Slides completos em inglês
• Seis módulos independentes
• Oito laboratórios em notebooks
• Roteiro de ensino em português

Para compilar os decks Beamer:

make all

Para instalar as dependências e validar todas as práticas:

python3 -m pip install -r labs/requirements.txt
make lab-check

Referências essenciais

1. van der Aalst, W. M. P.; Carmona, J. (eds.). Process Mining Handbook. Springer, 2022.
2. van der Aalst, W. M. P. Process Mining: Data Science in Action. 2. ed. Springer, 2016.
3. Carmona, J.; van Dongen, B.; Solti, A.; Weidlich, M. Conformance Checking: Relating Processes and Models. Springer, 2018.
4. PM4Py: documentação e exemplos.
5. IEEE Task Force on Process Mining.
6. OCEL 2.0: especificação e logs.

Pesquisa do professor relacionada ao curso

Esta seleção, extraída do currículo de Sylvio Barbon Junior, mostra como os temas do curso se conectam a problemas de pesquisa atuais:

• Malina, G. I.; Azin, M.; Rosso, A. F.; Alan, D. P.; Dario, C.; Barbon Junior, S. A Design-Oriented Process Mining Framework for Railway Operations. Information, 17(5), 483, 2026.
• Moradbeikie, A.; Grigore, I. M.; Lopes, S. I.; Barbon Junior, S. Sensor2EventLog: Bridging Continuous IoT Data and Process Mining through Eventization. International Conference on Advanced Information Systems Engineering (CAiSE), 177–194, 2026.
• Moradbeikie, A. et al. Process Mining of Sensor Data for Predictive Process Monitoring: A HACCP-Guided Pasteurization Study Case. Systems, 13(11), 935, 2025.
• Grigore, I. M. et al. Towards Trace Variant Explainability. ADBIS, 2025.
• Ceravolo, P. et al. Tuning ML to Address Process Mining Requirements. IEEE Access, 12, 24583–24595, 2024.
• Oyamada, R. S. et al. Enhancing Predictive Process Monitoring with Time Features. CAiSE, 71–86, 2024.
• Tavares, G. M. et al. Trace Encoding in Process Mining: Survey. Engineering Applications of Artificial Intelligence, 126, 107028, 2023.
• Tavares, G. M. et al. Automating Process Discovery with Meta-Learning. CoopIS, 205–222, 2022.
• Barbon Junior, S. et al. Using Meta-Learning to Recommend Process Discovery Methods. arXiv:2103.12874, 2021.
• Junior, S. B. et al. Evaluating Trace Encoding Methods in Process Mining. DataMod, 174, 2020.

---

O repositório foi organizado para permitir tanto uma aula panorâmica de seis horas quanto o aprofundamento posterior em módulos e laboratórios independentes.