“数据科学作为未来重要的专业领域，决定了不能智能使用（大）数据的组织将无法生存。然而，只关注数据存储和数据分析是不够的，研究数据的专家还需要将数据与流程分析联系起来。” —— “流程挖掘之父”、德国亚琛工业大学Wil van der Aalst 教授 。
当我和Wil教授的高徒程龙先生谈起流程挖掘技术，程教授引述了自己恩师的阐述，解释了研究这门科学的初衷。大数据、智能、流程，每个关键词都是当下投资的热门词汇，那么流程挖掘技术到底涵盖了哪些内容？解决了哪些问题？拥有何种魅力，让投资人趋之若鹜呢？本系列讲座，将为读者介绍流程挖掘技术的方方面面，带您进入这个新兴的科技热点。
流程挖掘学科起源于20世纪90年代末，由Wil教授在荷兰爱因霍芬理工大学开创。随着时间的推移，该学科逐渐成熟，如今已有超过50家商业流程挖掘供应商和数千家组织成功应用流程挖掘。另外，IEEE过程挖掘任务组和开源框架ProM在该学科的发展中发挥了关键作用。经过20多年的发展，流程挖掘作为数据行业中的新兴热点，已经形成了成熟完整的行业赛道。
关于流程挖掘的详细发展历程，可以参见凡得科技撰写的专论，《流程挖掘发展历程概述》https://www.jianshu.com/p/d39bf25d6c9e。
在这个系列的讲座里，我们会探讨和介绍以下内容
流程发现技术使用日志数据来自动构造流程模型，以其关键活动来描述操作流程。这些流程模型揭示了实际的流程，并可以扩展以显示业务瓶颈和异常行为。
合规性检查技术将观察到的行为（即日志数据）与建模的行为（即流程模型）进行比较。这些技术可以用来显示偏差，即与预期或期望不同的行为。
一旦流程模型被挖掘出来，利用性能分析技术，人们就可以发现组织中的瓶颈。
从一个或多个信息系统中提取日志数据后，人们可以探索、预处理这些数据，为流程挖掘提供依据，使其能够产生预期结果。
除了发现和分析单一流程的技术外，流程挖掘可以分解多流程之间的差异，例如，比较两个区域性分公司的指定绩效指标。
预测性流程监控是一种流程挖掘技术，涉及预测正在运行的（未完成的）案例将如何展开，直至完成。
流程驱动可以将来自流程挖掘和分析技术的有洞察力的诊断转化为实际行动来改进流程。此外，在流程发现基础上，机器人流程自动化（RPA）的目的是在重复的、简单的工作中用自动化取代人，从而使企业能够更加高效、敏捷和有利可图。
机器学习和流程挖掘的整合可以帮助企业自动识别流程中的弱点及其根本原因，并为如何更快提高效率提供规范性建议。
即使是最粗略的罗列，我们也可以了解上述8个流程挖掘相关的课题意义。在今后的讲座里，我们会更详细的讨论每一个话题，希望你有兴趣继续跟随我们学习的脚步，流程挖掘已经推动了机器不断学习，我们也不应该落后，不是吗？
