Введение

В настоящее время большинство организаций используют в рамках своей деятельности корпоративные информационные системы класса ERP, CRM, BPM, MES и другие цифровые решения, обеспечивающие автоматизацию и цифровизацию бизнес-процессов. Неотъемлемой частью функционирования указанных систем является формирование журналов событий (event logs) больших объемов данных, отражающих фактическое выполнение процессов, действия пользователей, временные характеристики операций и маршруты выполнения задач.

Несмотря на то, что с каждым годом общий уровень цифровизации повышается, управление бизнес-процессами во многих организациях по-прежнему строится преимущественно на регламентных моделях, экспертных оценках и ручном анализе данных. Использование такого подхода заметно замедляет получение актуальной информации о фактическом исполнении процессов, своевременное выявление отклонений, а также оперативное реагирование на возникающие риски и задержки.

Одной из современных технологий анализа бизнес-процессов, способной устранить имеющиеся недостатки устаревшего подхода, является технология Process Mining, представляющая собой совокупность методов построения, анализа и оптимизации процессов на основе журналов событий информационных систем [1]. В отличие от классических BPM-подходов, технология Process Mining позволяет исследовать реальные сценарии исполнения процессов, выявлять узкие места, нарушения регламентов и неэффективные схемы исполнения процессов [2]. Различные методы и алгоритмы Process Mining подробно рассматриваются в работах Ван дер Аалста [1–3], являющегося одним из основоположников данного научного направления. В исследованиях [4–6] рассматриваются вопросы построения процессных моделей на основе журналов событий, а также методы проверки соответствий и автоматического обнаружения процессов. В работах [7, 8] исследуются вопросы применения интеллектуального анализа данных и методов машинного обучения для прогнозирования поведения бизнес-процессов.

Технология Process Mining активно развивается на зарубежном рынке, однако ее применение в отечественных организациях остается ограниченным. Главными факторами, создающими препятствие для распространения, являются фрагментированность корпоративных информационных систем, отсутствие унифицированных событийных моделей, недостаточный уровень зрелости процессов управления данными, а также сложность интеграции методов интеллектуального анализа в существующую ИТ-инфраструктуру организаций.

В последние годы также наблюдается активное развитие технологий искусственного интеллекта и машинного обучения, применение которых позволит существенно расширить возможности Process Mining. Интеграция методов искусственного интеллекта с системами анализа процессов обеспечит переход от ретроспективного анализа к предиктивному управлению процессами, включая прогнозирование временных задержек, выявление аномалий, обнаружение рисков нарушения SLA и интеллектуальную поддержку принятия управленческих решений [9, 10].

Целью настоящей работы является исследование возможностей интеграции методов Process Mining и искусственного интеллекта для повышения эффективности анализа и управления бизнес-процессами, а также разработка концептуального подхода к построению интеллектуальных систем предиктивного мониторинга процессов. В рамках исследования рассматриваются архитектурные подходы к интеграции Process Mining и AI-моделей, методы обработки журналов событий, а также сценарии применения алгоритмов машинного обучения для анализа и прогнозирования состояния бизнес-процессов.

Обзор существующих исследований

Технология Process Mining сформировалась как самостоятельное направление анализа бизнес-процессов на стыке таких технологий как Business Process Management (BPM), Data Mining и Process Analytics. Основополагающие принципы Process Mining были сформулированы Вилом Ван дер Аалстом (Wil van der Aalst) в работах [1–3], в которых предложены методы извлечения моделей процессов на основе журналов событий информационных систем.

Классический подход Process Mining включает три основных направления: process discovery, conformance checking и process enhancement [1]. Метод process discovery предназначен для автоматического построения модели процесса на основе журналов событий без предварительного описания процесса. В работах [4, 5] также предложены алгоритмы Alpha Miner, Heuristic Miner и Fuzzy Miner, предназначенные для восстановления структуры процессов по журналам событий. Однако указанные алгоритмы обладают рядом ограничений, связанных с чувствительностью к шумам данных, сложностью обработки неструктурированных процессов и ограниченной масштабируемостью при работе с высоконагруженными корпоративными системами. Метод conformance checking используется для сопоставления фактического выполнения процесса с его регламентной моделью, а process enhancement применяется для оптимизации и расширения существующих моделей процессов.

Существенное развитие технология Process Mining получила после появления специализированных программных платформ, таких как ProM, Celonis, Disco и PM4Py [6–8]. Упомянутые платформы позволяют на основании загруженных журналов событий визуализировать процессы, проанализировать временные характеристики выполнения операций, осуществить поиск bottleneck-участков или «узких мест» процесса и контроль соответствия процессов установленным регламентам. В исследованиях [9–11] рассматриваются также вопросы применения методов машинного обучения и искусственного интеллекта в задачах анализа бизнес-процессов. Использование AI-алгоритмов позволяет реализовать predictive process monitoring, включающий прогнозирование времени завершения процессов, вероятности возникновения отклонений, оценку рисков нарушения SLA, а также автоматическое обнаружение аномалий в журналах событий.

Как было упомянуто ранее, одним из перспективных направлений совершенствования Process Mining является применение нейронных сетей и методов deep learning для анализа последовательностей событий процессов. В работах [12, 13] предлагается использование рекуррентных нейронных сетей (RNN) и архитектур класса LSTM для прогнозирования дальнейшего поведения процесса на основе исторических данных. Применение указанных методов позволяет повысить точность предиктивного анализа по сравнению с классическими статистическими моделями. В публикациях [14, 15] рассматриваются также подходы к интеграции Process Mining с интеллектуальными системами поддержки принятия решений. Авторы отмечают, что объединение методов анализа процессов и искусственного интеллекта позволяет перейти от ретроспективного анализа к адаптивному управлению бизнес-процессами в режиме реального времени.

Несмотря на значительное количество зарубежных исследований в области Process Mining, вопросы практической интеграции методов искусственного интеллекта с корпоративными BPM и ERP-системами остаются недостаточно исследованными. Кроме того, в существующих исследованиях недостаточно подробно рассматриваются вопросы построения единой архитектуры интеллектуального анализа процессов, объединяющей event-driven подходы, Process Mining и AI-модели в рамках единой корпоративной платформы управления процессами.

Таким образом, анализ существующих исследований показывает, что интеграция технологий Process Mining и искусственного интеллекта является перспективным направлением развития систем управления бизнес-процессами и требует дальнейшего исследования архитектурных, алгоритмических и прикладных аспектов построения интеллектуальных систем предиктивного анализа процессов.

Архитектура интеграции Process Mining и искусственного интеллекта

Современные корпоративные информационные системы формируют значительные объемы событийных данных, отражающих фактическое выполнение бизнес-процессов организации. Для реализации интеллектуального анализа процессов требуется построение интегрированной архитектуры, объединяющей технологии сбора событийных данных, методы Process Mining и алгоритмы искусственного интеллекта в рамках единой аналитической платформы. Пример обобщенной архитектуры системы интеллектуального анализа бизнес-процессов представлен на рисунке 1.

Рис. 1. Пример обобщенной архитектуры системы интеллектуального анализа бизнес-процессов

Основным элементом архитектуры является слой сбора и агрегации событийных данных или event collection layer. На данном уровне осуществляется получение журналов событий из корпоративных информационных систем организации. Каждое событие процесса должно содержать минимальный набор атрибутов: идентификатор процесса (Case ID), идентификатор операции (Activity ID), временную метку события (Timestamp), а также дополнительные параметры выполнения процесса [1].

Журнал событий бизнес-процесса может быть представлен в виде множества:

где — отдельное событие процесса, описываемое кортежем:

где

— — идентификатор экземпляра процесса (Case ID);

— — выполняемая операция (Activity);

— — временная метка события (Timestamp);

— — набор дополнительных атрибутов события (Resource, Cost, Status и др.).

Каждое событие характеризует факт выполнения операции в рамках определенного экземпляра процесса в конкретный момент времени и может быть дополнено контекстной информацией о ресурсе, стоимости, статусе и других параметрах. Последовательность событий для одного экземпляра процесса образует «таймлайн»:

где — количество событий в таймлайне экземпляра , .

Модель процесса , извлеченная из журнала событий , может быть представлена в виде ориентированного графа (например, сети Петри):

где

— — множество позиций;

— — множество переходов (операций);

— — множество дуг;

— — функция весов дуг;

— — начальная маркировка.

Качество соответствия (fitness) модели журналу событий может быть оценено метрикой:

где — множество отклоняющихся (несоответствующих модели ) событий.

После получения журналов событий данные поступают в модуль предварительной обработки и нормализации, в рамках которого осуществляется фильтрация шумов, удаление дублирующихся событий, синхронизация временных меток, а также преобразование данных к унифицированной модели процессов.

Следующим компонентом архитектуры является Process Mining Engine, обеспечивающий построение моделей процессов на основе журналов событий. В рамках данного модуля реализуются алгоритмы process discovery, conformance checking и process enhancement [2]. Результатом работы Process Mining Engine являются модели процессов, отражающие фактическую структуру выполнения бизнес-процессов организации. Полученные модели процессов и журналы событий передаются в модуль интеллектуального анализа (AI Analytics Layer), в котором применяются методы машинного обучения и искусственного интеллекта. Наиболее перспективными направлениями использования AI в задачах Process Mining являются:

— predictive process monitoring;

— anomaly detection;

— прогнозирование времени завершения процесса;

— выявление рисков нарушения SLA;

— интеллектуальная классификация сценариев выполнения процессов;

— автоматическое выявление bottleneck-участков.

Для решения указанных задач могут использоваться методы supervised learning, unsupervised learning, а также нейронные сети класса LSTM и Transformer [9–12].

Одним из ключевых элементов архитектуры является механизм предиктивного мониторинга процессов. На основе исторических данных полученных из журналов событий AI-модель формирует прогноз дальнейшего поведения процесса, включая вероятность отклонения от регламентного сценария, прогноз времени выполнения операции и вероятность возникновения ошибок. Результаты интеллектуального анализа передаются в подсистему визуализации и поддержки принятия решений (Decision Support Layer). На данном уровне реализуются интерактивные процессные дашборды, системы уведомлений, аналитические панели мониторинга и механизмы формирования рекомендаций для владельцев и участников процессов.

Интеграция методов искусственного интеллекта и Process Mining позволяет перейти от классического ретроспективного анализа процессов к интеллектуальному управлению бизнес-процессами в режиме реального времени. В отличие от традиционных BPM-систем, предлагаемый подход обеспечивает возможность динамического прогнозирования поведения процессов и автоматического выявления потенциальных отклонений еще до момента их фактического возникновения. Кроме того, использование событийной архитектуры обеспечивает возможность масштабирования системы интеллектуального анализа процессов и интеграции с современными платформами потоковой обработки данных, включая Apache Kafka, Apache Flink и Spark Streaming.

Таким образом, интеграция технологий Process Mining и искусственного интеллекта формирует основу построения интеллектуальных систем управления бизнес-процессами нового поколения, обеспечивающих адаптивное и предиктивное управление процессами организаций.

Методы обработки event logs и применение алгоритмов машинного обучения

Как было упомянуто ранее, основным источником данных для систем Process Mining являются журналы событий (event logs), формируемые корпоративными информационными системами в процессе выполнения бизнес-процессов. Такие журналы содержат информацию о последовательности выполнения операций, времени их выполнения, участниках процессов и других параметрах, характеризующих фактическое исполнение процессов. Как правило, журналы событий формируются внутри корпоративных информационных системам. Каждое событие процесса содержит минимальный набор атрибутов, включающий идентификатор экземпляра процесса, выполняемую операцию, временную метку события и сведения об исполнителе операции.

Журналы событий часто содержат неполные записи, дублирующиеся события, ошибки временных меток и несогласованные наименования операций. В связи с этим важным этапом интеллектуального анализа процессов является предварительная обработка событийных данных. К основным методам обработки журналов событий относятся удаление дублирующихся записей, фильтрация шумов, синхронизация временных меток, нормализация названий операций, а также объединение событий из различных информационных систем в единый журнал процессов. Дополнительно может выполняться фильтрация аномальных или неполных таймлайнов процессов, не пригодных для дальнейшего анализа. После предварительной обработки событийные данные преобразуются в формат, пригодный для применения алгоритмов машинного обучения. Для этого выполняется выделение признаков, характеризующих поведение процесса. В качестве таких признаков могут использоваться длительность выполнения операций, количество возвратов между этапами, число участников процесса, время ожидания между событиями, количество отклонений от регламентного сценария и другие параметры.

В интеллектуальном Process Mining применяются как классические методы машинного обучения, так и современные алгоритмы глубокого обучения. Для задач классификации процессов и выявления отклонений используются Decision Tree, Random Forest, Gradient Boosting, Support Vector Machine и Logistic Regression. Для задач предиктивного мониторинга процессов наиболее эффективными являются модели анализа последовательностей событий. Такие модели позволяют прогнозировать дальнейшее поведение процесса на основе уже выполненных операций и накопленных исторических данных.

В последние годы широкое распространение получили рекуррентные нейронные сети и архитектуры класса Long Short-Term Memory (LSTM), обеспечивающие анализ последовательностей событий и выявление долгосрочных зависимостей между этапами процесса. Применение указанных моделей позволяет прогнозировать вероятность нарушения SLA, оценивать ожидаемое время завершения процесса и выявлять потенциальные отклонения еще до момента их фактического возникновения. Перспективным направлением является также использование Transformer-архитектур и attention-механизмов для анализа сложных процессов с большим количеством вариантов исполнения. В отличие от классических рекуррентных сетей, Transformer-модели обеспечивают более эффективную обработку длинных последовательностей событий и позволяют учитывать взаимосвязи между удаленными этапами процесса.

Для автоматического обнаружения нетипичных сценариев выполнения процессов применяются методы unsupervised learning, включая кластеризацию, Isolation Forest и Autoencoder-модели. Использование данных методов позволяет выявлять аномалии в журналах событий, нарушения регламентов, подозрительные действия пользователей и нестандартные маршруты выполнения процессов.

В задачах прогнозирования времени завершения процессов используются методы регрессионного анализа и нейросетевые модели. Полученные прогнозы могут применяться для раннего обнаружения рисков нарушения SLA, динамического перераспределения ресурсов и автоматической корректировки маршрутов выполнения процессов.

Таким образом, применение методов машинного обучения существенно расширяет возможности Process Mining и позволяет перейти от анализа исторических данных к интеллектуальному прогнозированию поведения процессов и поддержке принятия управленческих решений в режиме реального времени.

Преимущества и ограничения интеграции Process Mining и искусственного интеллекта

Интеграция технологий Process Mining и искусственного интеллекта позволяет расширить возможности традиционного анализа бизнес-процессов за счет перехода от ретроспективного выявления проблем к предиктивному и адаптивному управлению процессами. В классических BPM-системах основное внимание уделяется описанию регламентных моделей процессов и контролю их исполнения. Однако фактическое выполнение процессов в корпоративных информационных системах часто отличается от формально описанных регламентов, что приводит к возникновению скрытых отклонений, задержек, повторных операций и неэффективных маршрутов выполнения задач. Использование Process Mining позволяет восстановить реальную модель процесса на основе журналов событий, сформированных в информационных системах орагнизации. Это обеспечивает возможность объективного анализа фактического исполнения процессов без необходимости проведения длительных интервью, ручного моделирования и экспертной реконструкции бизнес-логики. В результате организация получает не предполагаемую, а фактическую картину выполнения процесса, включая основные сценарии, исключения, узкие места и отклонения от нормативной модели.

Дополнение Process Mining методами искусственного интеллекта позволяет решать более широкий круг задач. В частности, AI-модели могут использоваться для прогнозирования времени завершения процесса, оценки вероятности нарушения SLA, выявления аномальных сценариев, классификации типов отклонений, а также формирования рекомендаций по дальнейшим действиям. Таким образом, система анализа процессов становится не только инструментом диагностики, но и средством поддержки принятия управленческих решений.

Одним из ключевых преимуществ предлагаемого подхода является повышение прозрачности бизнес-процессов. Руководители и владельцы процессов получат возможность анализировать не только итоговые показатели деятельности, но и внутреннюю структуру выполнения операций: последовательность действий, длительность этапов, частоту возвратов, количество ручных вмешательств и степень соответствия процесса установленным регламентам.

Вторым важным преимуществом является снижение времени обнаружения проблем. Традиционный анализ процессов, как правило, проводится постфактум и требует значительных трудозатрат со стороны аналитиков. В предлагаемой архитектуре отклонения могут выявляться автоматически на основе событийных данных, поступающих из корпоративных информационных систем. Это позволит сократить время между возникновением проблемы и принятием корректирующих мер.

Третьим преимуществом является возможность предиктивного управления процессами. В отличие от классического мониторинга, фиксирующего уже произошедшие отклонения, интеллектуальный анализ позволяет прогнозировать вероятность возникновения проблем до их фактического наступления. Например, система может заранее определить, что конкретный экземпляр процесса с высокой вероятностью превысит допустимое время выполнения или отклонится от стандартного маршрута.

Кроме того, интеграция Process Mining и AI способствует повышению качества управленческих решений. Рекомендации, формируемые системой, основываются не только на экспертном опыте, но и на статистическом анализе исторических данных, фактических сценариях выполнения процессов и выявленных закономерностях. Это особенно важно для сложных процессов, в которых количество возможных вариантов исполнения значительно превышает возможности ручного анализа. Практическая ценность предлагаемого подхода заключается также в возможности оптимизации операционных затрат. Выявление повторных операций, избыточных согласований, неэффективных маршрутов и bottleneck-участков позволяет определить направления автоматизации и реинжиниринга бизнес-процессов. В результате чего организация может сократить длительность выполнения процессов, уменьшить количество ручных операций и повысить общую производительность.

Вместе с тем интеграция Process Mining и искусственного интеллекта имеет ряд ограничений. Так одним из ограничений является зависимость качества анализа от полноты и корректности журналов событий. Если корпоративные информационные системы не фиксируют необходимые события либо содержат неполные, несогласованные или ошибочные данные, результаты Process Mining и AI-прогнозирования могут быть недостоверными. Также существенным ограничением является сложность унификации событийных данных, получаемых из различных информационных систем. В крупных организациях процессы часто проходят через несколько систем, каждая из которых имеет собственную структуру данных, формат хранения событий и правила идентификации экземпляров процесса. Это усложняет построение единого журнала событий и требует разработки дополнительного слоя нормализации данных. Помимо этого, необходимо учитывать и риск некорректной интерпретации результатов интеллектуального анализа. AI-модели способны выявлять статистические зависимости, однако такие зависимости не всегда отражают причинно-следственные связи. Поэтому результаты анализа должны рассматриваться как инструмент поддержки принятия решений, а не как полностью автономный механизм управления процессами. Отдельной проблемой стоит выделить необходимость обеспечения объяснимости AI-моделей. Для практического применения в корпоративной среде недостаточно только получить прогноз отклонения или нарушения SLA. Система должна предоставлять пользователю интерпретируемое объяснение причин прогноза, указывать факторы, повлиявшие на результат, и формировать понятные рекомендации для владельца процесса.

Таким образом, интеграция Process Mining и искусственного интеллекта позволяет существенно повысить прозрачность, управляемость и предсказуемость бизнес-процессов. Предлагаемый подход решает задачу перехода от статического описания процессов к их динамическому анализу и предиктивному управлению. При этом эффективность применения данного подхода напрямую зависит от качества событийных данных, зрелости ИТ-инфраструктуры организации и корректности выбранных методов машинного обучения.

Заключение

В данной работе рассмотрены вопросы интеграции технологий Process Mining и искусственного интеллекта для построения интеллектуальных систем анализа и предиктивного управления бизнес-процессами. Проведенный анализ существующих исследований показал, что современные методы Process Mining позволяют эффективно восстанавливать фактические модели процессов на основе журналов событий корпоративных информационных систем, выявлять отклонения от регламентов и анализировать структуру выполнения процессов.

Установлено, что интеграция методов искусственного интеллекта существенно расширяет возможности классического Process Mining. Использование алгоритмов машинного обучения позволяет перейти от ретроспективного анализа процессов к предиктивному мониторингу и интеллектуальной поддержке принятия решений. В частности, применение AI-моделей обеспечивает возможность прогнозирования времени выполнения процессов, выявления аномалий, оценки рисков нарушения SLA и автоматического обнаружения bottleneck-участков.

В работе предложена архитектура интеграции Process Mining и искусственного интеллекта, включающая слои сбора событийных данных, предварительной обработки event logs, анализа процессов, интеллектуальной аналитики и поддержки принятия решений. Предлагаемый подход обеспечивает возможность построения единой аналитической платформы для мониторинга и управления бизнес-процессами в режиме реального времени.

Показано, что применение event-driven архитектуры и потоковой обработки событий позволяет обеспечить масштабируемость системы и интеграцию с современными корпоративными информационными платформами. Использование технологий Apache Kafka, потоковой аналитики и AI-моделей формирует основу для создания интеллектуальных систем управления процессами нового поколения.

Вместе с тем установлено, что эффективность применения интеллектуального Process Mining напрямую зависит от качества журналов событий, уровня зрелости корпоративной ИТ-инфраструктуры и степени унификации событийных данных. Существенными ограничениями являются фрагментированность информационных систем, неполнота event logs и сложность интерпретации результатов работы AI-моделей.

Практическая значимость предлагаемого подхода заключается в повышении прозрачности бизнес-процессов, сокращении времени обнаружения отклонений, снижении операционных затрат и повышении эффективности управленческих решений. Наиболее перспективными направлениями применения интеллектуального Process Mining являются системы управления заявками, процессы технической поддержки, медицинские информационные системы, производственные процессы и корпоративные системы электронного документооборота.

Действительно, интеграция технологий Process Mining и искусственного интеллекта можно назвать перспективным направлением развития интеллектуальных систем управления бизнес-процессами и основой для перехода от статического BPM-подхода к адаптивному и предиктивному управлению процессами организации. Перспективы дальнейших исследований связаны с разработкой explainable AI-моделей для Process Mining, применением генеративного искусственного интеллекта в задачах автоматической оптимизации процессов, а также построением self-adaptive BPM-систем, способных автоматически изменять сценарии выполнения процессов в зависимости от текущего состояния бизнес-среды.

Литература:

1. van der Aalst W. M. P. Process Mining: Data Science in Action. 2nd ed. Berlin: Springer, 2016. 467 p.
2. van der Aalst W. M. P. Process Mining: Discovery, Conformance and Enhancement of Business Processes. Berlin: Springer, 2011. 352 p.
3. van der Aalst W. M. P., van Hee K. M. Workflow Management: Models, Methods, and Systems. Cambridge: MIT Press, 2002. 386 p.
4. van der Aalst W. M. P., Weijters A. J. M. M., Maruster L. Workflow Mining: Discovering Process Models from Event Logs // IEEE Transactions on Knowledge and Data Engineering. 2004. Vol. 16, no. 9. P. 1128–1142.
5. Leemans S. J. J., Fahland D., van der Aalst W. M. P. Discovering Block-Structured Process Models from Event Logs — A Constructive Approach // Application and Theory of Petri Nets and Concurrency. Berlin: Springer, 2013. P. 311–329.
6. G√Љnther C. W., van der Aalst W. M. P. Fuzzy Mining — Adaptive Process Simplification Based on Multi-perspective Metrics // Business Process Management. BPM 2007. Lecture Notes in Computer Science, vol. 4714. Berlin: Springer, 2007. P. 328–343.
7. Berti A., van Zelst S. J., van der Aalst W. M. P. Process Mining for Python (PM4Py): Bridging the Gap Between Process- and Data Science // arXiv preprint arXiv:1905.06169. 2019.
8. Reinkemeyer L. Process Mining in Action: Principles, Use Cases and Outlook. Cham: Springer, 2020. 279 p.
9. Tax N., Verenich I., La Rosa M., Dumas M. Predictive Business Process Monitoring with LSTM Neural Networks // Advanced Information Systems Engineering. CAiSE 2017. Lecture Notes in Computer Science, vol. 10253. Cham: Springer, 2017. P. 477–492.
10. Evermann J., Rehse J.-R., Fettke P. Predicting Process Behaviour Using Deep Learning // Decision Support Systems. 2017. Vol. 100. P. 129–140.
11. van der Aalst W. M. P. Data Science in Action // Process Mining Handbook. Cham: Springer, 2022. P. 3–23.
12. Adams J. N., van der Aalst W. M. P. Precision and Fitness in Object-Centric Process Mining // arXiv preprint arXiv:2110.05375. 2021.
13. van der Aalst W. M. P., Brockhoff T., Ghahfarokhi A. F., Pourbafrani M., Uysal M. S., van Zelst S. Removing Operational Friction Using Process Mining: Challenges Provided by the Internet of Production // arXiv preprint arXiv:2107.13066. 2021.
14. IEEE Task Force on Process Mining. Process Mining Manifesto // Business Process Management Workshops. Berlin: Springer, 2012. P. 169–194.
15. Dumas M., Rosa M. La, Mendling J., Reijers H. A. Fundamentals of Business Process Management. 2nd ed. Berlin: Springer, 2018. 527 p.