Automated Business Process Analysis: An LLM-Based Approach to Value Assessment
作者: William De Michele, Abel Armas Cervantes, Lea Frermann
分类: cs.CL, cs.AI, cs.SE
发布日期: 2025-04-09
💡 一句话要点
利用LLM自动进行业务流程分析，实现价值评估
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 业务流程分析 大型语言模型 增值分析 自动化 精益原则
📋 核心要点
- 手动业务流程分析耗时且主观，阻碍了流程优化。
- 利用LLM自动化增值分析，将活动分解为步骤并分类，系统识别浪费。
- 实验表明，结构化提示能稳定提升性能，LLM在两项任务中表现出潜力。
📝 摘要（中文）
业务流程是组织运营的基础，但由于手动流程分析耗时，其优化仍然具有挑战性。本文利用大型语言模型（LLM）来自动化增值分析，这是一种旨在识别流程中未传递价值的步骤的定性流程分析技术。目前，该技术主要依靠手动，耗时且主观。我们的方法提供了一种更原则性的方法，该方法分两个阶段运行：首先，将高级活动分解为详细步骤以实现精细分析；其次，执行增值分析以根据精益原则对每个步骤进行分类。这种方法可以在保持定性分析所需的语义理解的同时，系统地识别浪费。我们使用50个业务流程模型开发了我们的方法，为此我们收集并发布了手动ground-truth标签。我们的评估，将零样本基线与更结构化的提示进行比较，揭示了（a）结构化提示的一致优势和（b）两项任务的有希望的性能。我们讨论了LLM在增强人类在定性流程分析中的专业知识，同时减少手动方法中固有的时间和主观性的潜力。
🔬 方法详解
问题定义：论文旨在解决业务流程分析中手动、耗时和主观的问题。现有的手动流程分析方法效率低下，难以系统地识别流程中的浪费环节，并且分析结果容易受到分析人员的主观影响。
核心思路：论文的核心思路是利用大型语言模型（LLM）的语义理解和推理能力，自动化增值分析过程。通过将复杂的业务流程分解为更小的步骤，并使用LLM对每个步骤进行分类，从而实现对流程中浪费环节的系统识别和优化。
技术框架：该方法包含两个主要阶段：1) 流程分解阶段：将高层次的业务活动分解为更详细的步骤，以便进行更精细的分析。2) 价值评估阶段：使用LLM对每个步骤进行价值评估，根据精益原则将其分类为增值、非增值但必要或浪费环节。整个流程依赖于结构化的提示工程，以指导LLM执行分解和分类任务。
关键创新：该方法的主要创新在于将LLM应用于业务流程分析，实现了自动化和更客观的价值评估。与传统的手动方法相比，该方法能够更高效、更系统地识别流程中的浪费环节，并减少主观偏差。
关键设计：论文使用了50个业务流程模型进行实验，并收集了手动标注的ground-truth标签。在提示工程方面，论文探索了不同的结构化提示策略，以提高LLM的性能。具体的技术细节，如LLM的选择、提示的具体内容、损失函数等，论文中没有详细说明，属于未知信息。
🖼️ 关键图片
📊 实验亮点
实验结果表明，使用结构化提示可以显著提高LLM在业务流程分析中的性能。与零样本基线相比，结构化提示能够更准确地识别流程中的增值和非增值环节。虽然论文中没有给出具体的性能指标和提升幅度，但实验结果表明LLM在该任务中具有良好的潜力。
🎯 应用场景
该研究成果可应用于各种行业的业务流程优化，帮助企业提高运营效率、降低成本。通过自动化价值评估，企业可以更快地识别和消除流程中的浪费环节，从而提升整体竞争力。未来，该技术有望与流程挖掘等技术结合，实现更智能化的业务流程管理。
📄 摘要（原文）
Business processes are fundamental to organizational operations, yet their optimization remains challenging due to the timeconsuming nature of manual process analysis. Our paper harnesses Large Language Models (LLMs) to automate value-added analysis, a qualitative process analysis technique that aims to identify steps in the process that do not deliver value. To date, this technique is predominantly manual, time-consuming, and subjective. Our method offers a more principled approach which operates in two phases: first, decomposing high-level activities into detailed steps to enable granular analysis, and second, performing a value-added analysis to classify each step according to Lean principles. This approach enables systematic identification of waste while maintaining the semantic understanding necessary for qualitative analysis. We develop our approach using 50 business process models, for which we collect and publish manual ground-truth labels. Our evaluation, comparing zero-shot baselines with more structured prompts reveals (a) a consistent benefit of structured prompting and (b) promising performance for both tasks. We discuss the potential for LLMs to augment human expertise in qualitative process analysis while reducing the time and subjectivity inherent in manual approaches.