优化角色分配

在角色挖掘的基础上，根据角色的重要性、社交网络、技能专长等特征调整角色关系，优化角色分配近年来也引起了一些学者的重视。通过调整角色的分配，降低流程的复杂度是角色优化的常见思路。例如，通过考虑角色负责活动之间的（非人力）资源应用相容性，结合角色之间的交互复杂性和交互频率，得出了流程的总体复杂度，并通过调整角色关系提高角色相容性，降低流程的复杂度[20]。此外，结合社会网络分析，根据角色之间的协作关系和角色分工，优化角色的分工和协作也是常见的方法。

流程角色代表不同的任务分工和业务特长，根据角色之间的协作关系和领域知识进行合理分配，不仅有助于提高角色的效率，同时有助于降低流程的复杂度。从角色复杂度的角度出发，提高角色相容性可以优化角色分配。

角色复杂度反映了流程中角色分配的复杂程度。角色复杂度可以从角色的内聚性和耦合性等方面进行评估[21]。内聚性是指角色所负责的多个活动之间的紧密程度。如果活动之间有较紧密的业务关系，则内聚性较高。内聚性反映了角色分配的专业化程度，有助于使角色专注于业务特长，发挥专业化分工的优势。耦合性为流程中不同角色所负责活动之间的关联强度，相关性越高，则角色的耦合性越高。

【例5.6】 基于隐Markov模型推荐角色

在业务流程中，角色的分配需要考虑角色的技能、特长、知识等因素，为活动提供合适的角色。而流程建模人员在建模初期，难以获取全面的角色知识，因此影响角色分配的质量。通过分析流程的历史角色分配模式，同时结合角色的特长等知识，为流程活动推荐适当的角色，从而优化角色分配，提升角色分配的效率[22]。

以某工程设计流程为例，该流程负责完成工程项目的设计，需要项目设计、验证、复核、批准等步骤，最终以设计文档的形式提供给客户，如图5.4所示。由于组织内部员工的变动，需要为新员工指派合适的角色。传统的人工分配具有一定的盲目性，因此需要结合新员工的专业技能为流程活动指派合适的角色，实现对角色的优化配置。

图5.4　工程设计流程模型

隐Markov模型（hidden Markov model，HMM）是一种统计模型，用来描述包含隐含状态的Markov过程[23]。HMM可以用5个参数定义：λ＝（SN，SM，MT，ME，VI），其中SN为隐含状态集；SM为观测状态集；MT为隐含状态间转移概率矩阵，显示隐含状态间发生转变的概率情况；ME为观测状态转移概率矩阵，显示给定隐含状态下观测到相应结果发生的概率；VI为初始状态概率向量，指定结果集的初始状态。在给定观测序列和HMM参数的情况上，可以使用向前向后（forward-backward）方法计算隐含状态的概率分布情况。通过将流程活动视为序列，将各项活动对应的角色分配视为隐含状态，可以将角色分配问题转换成HMM中隐式状态的最大概率解问题。

在基于隐Markov模型的角色分配中，隐含状态集SN包含所有的候选角色，观测状态集MT包含流程中所有的活动，两者可以从流程日志得到。状态间转移概率矩阵MT由不同角色之间发生任务转交的概率构成。在观测状态转移概率矩阵ME中，MEij反映角色i执行特定活动j的能力，可由领域专家给出。首先挖掘流程日志，根据角色任务转交度量等信息初始化HMM参数；然后，结合领域专家给出的角色胜任度，使用向前向后方法计算出每项活动中对应角色的参与概率，如表5.3所示。

表5.3　角色-活动概率表

角色-活动概率表以概率的形式显示了角色与活动之间的适合程度。例如，高级工程师最适合设计活动，总工程师最适合验证和复核活动，秘书最适合文档整理活动等。利用角色-活动概率可以推荐最适合流程任务的角色列表，改善企业新业务中的角色分配方式。

隐Markov模型考虑了角色之间的任务转交，产生的角色分配模型具有较高的团队效率。同时结合角色的专长，有助于发挥员工的专业技能。通过挖掘流程日志分析角色处理活动的时间，评估角色处理相应任务的能力，可以自动地构建HMM参数，为管理者提供智能化的角色推荐。