As recentes pesquisas na área de Gestão de Processos de Negócio (GPN) vêm contribuindo para aumentar a eficiência nas organizações. A GPN pode ser compreendida como o conjunto de métodos, técnicas e ferramentas computacionais desenvolvidas para amparar os processos de negócios. Tipicamente, a GPN é fundamentada por modelos de processos. Esses modelos, além de permitirem a automação da configuração e execução, aumentam a capacidade de análise dos processos de negócio. Apesar de auxiliar os especialistas de negócio nas diferentes fases envolvidas no ciclo de vida de um processo de negócio (projeto, configuração, implantação/execução e a análise), os modelos definidos em linguagens específicas de domínio, como a BPMN (Business Process Model and Notation), não são os mais apropriados para amparar a fase de análise. De formal geral, esses modelos não possuem uma semântica operacional formalmente definida (o que limita o seu uso para a verificação e validação dos processos) e nem mecanismos para quantificar o comportamento modelado (o que impossibilita a análise de desempenho). Neste trabalho de doutorado, nós desenvolvemos um arcabouço que ampara e automatiza os principais passos envolvidos na análise de desempenho de processos de negócio via modelagem analítica. Nós estudamos a viabilidade da aplicação de três formalismos Markovianos na modelagem de processos de negócio: as Redes de Petri Estocásticas, as Álgebras de Processo Estocásticas e as Redes de Autômatos Estocásticos (SAN, do inglês Stochastic Automata Networks). Escolhemos SAN como formalismo base para o método proposto neste trabalho. Nosso arcabouço é constituído por: (i) uma notação para enriquecer modelos de processos de negócio descritos em BPMN com informações sobre o seu gerenciamento de recursos, e (ii) um algoritmo que faz a conversão automática desses modelos não-formais de processos para modelos estocásticos em SAN. Com isso, somos capazes de capturar o impacto causado pela contenção de recursos no desempenho de um processo de negócio. A partir de um modelo em SAN gerado com o nosso arcabouço, podemos predizer variados índices de desempenho que são boas aproximações para o desempenho esperado do processo de negócio no mundo real.

Recent results in the research field of Business Process Management (BPM) are contributing to improve efficiency in organizations. BPM can be seen as a set of methods, techniques and tools developed to support business processes in their different requirements. Usually, the BPM techniques are based on a process model. In addition to enabling automated process configuration and execution, these models also increase the analizability of business processes. Despite being able to support business specialists in different phases of the life cycle of a business process (design, configuration, execution, and analysis), the models created in domain-specific languages, such as BPMN (Business Process Model and Notation), are not the most appropriated ones to support the analysis phase. Generally, these models have neither a formally defined operational semantics (which hinders their use for verification and validation), nor mechanisms to quantify the modeled behavior (which hinders their use for performance analysis). In this PhD research, we developed a framework to support and to automatize the main steps involved in the analytical modeling of business processes aiming performance evaluation. We studied the viability of applying three Markovian formalisms in business process modeling: Stochastic Petri Nets, Stochastic Process Algebras and Stochastic Automata Networks (SAN). We have chosen SAN to support the method proposed in this work. Our framework is composed of: (i) a notation to enrich BPMN business process models with information concerning the associated resource management and (ii) an algorithm that automatically converts these non-formal business process models in SAN stochastic models. With this, we are able to capture the impact caused by resource contention in the performance of a business process. From a model generated through our framework, we are able to extract varied performance indices that are good approximations for the expected process performance in the real world.