自动发现具有真正并发和包含选择的流程模型

企业信息系统使公司能够详细记录其业务流程执行情况。这些记录可以以事件日志的形式提取出来，后者捕获了跨多个业务流程实例执行活动的情况。通过使用过程挖掘技术，可以分析业务流程的细节。过程挖掘技术允许我们从事件日志中发现一个过程模型——这个操作被称为自动化过程发现。尽管该领域已有丰富的研究成果，但现有的自动化过程发现技术并未完全捕捉到业务流程中的并发性。具体来说，大多数技术都把活动A和B当作并发处理，如果有时A在B之前完成，有时B在A之前完成。然而，在业务流程中，活动通常是按照真正的并发方式执行的，这意味着两个或多个活动执行会在时间上重叠。本文针对这一差距，提出了一种改进的自动化过程发现技术，即Split Miner，它能从包含每个活动起始和结束时间戳的事件日志中发现真正的并发关系。该技术还能够区分独家选择和兼并选择。我们使用来自不同行业的11个真实生活日志对所提出的技术与现有基准进行了评估。

Promotheus：用于优化在线时尚电子商务中Markdown的端到端机器学习框架

本文介绍了两个用于优化零售商不同阶段折扣促销活动的端到端管理系统。第一个系统“Ithax”在无需需求估计的情况下执行理性的供应方定价策略，并且可以作为“冷启动”解决方案部署以收集折扣数据同时保持收入控制。第二个系统“Promotheus”提供了一个带有价格弹性的全面的折扣优化框架。文中详细描述了在实际构建系统时至关重要的具体建模和验证程序。这两个系统在受控在线测试中都比经验丰富的运营团队的决策表现出了更高的盈利能力，相对于手动策略分别提高了86%（Promotheus）和79%（Ithax）。这些系统已被部署在ASOS.com上管理折扣促销活动，并且可以在各种零售电商环境中有效部署以进行价格优化。

人力资源信息系统（HRIS）外包创业信息服务

在信息经济时代，人力资源外包已被反复证明能帮助企业增强竞争力并保持永恒的核心竞争力。本文主要介绍初创信息型企业的人力资源信息系统外包的优势和可行性，并详细说明了其实现方式。

在机器学习系统中的不良行为和容错能力

机器学习（ML）为我们提供了许多机会，使ML系统能够适应新的情况和环境。然而，这种适应性也引发了关于这些系统在运行时的产品质量和可靠性，如可靠性和安全性等方面的不确定性。尽管可以对系统进行测试和监控，但这并不能保护它们免受已适应的ML系统本身的故障和失败的影响。我们研究了旨在引入故障容忍度的软件设计，以便避免系统中ML组件可能出现的问题。这项研究作为案例研究进行，通过与五位经验丰富的软件架构师进行半结构化访谈收集数据。我们提出了ML系统的不当行为的概念化、感知到的故障容忍度的作用以及使用的 设计。开始出现以故障容忍的方式将ML组件纳入设计的常见模式。例如，通过监视输入及其分布来保护ML模型，并强制执行可接受输出的业务规则。使用多个专门的ML模型来适应周围世界的变化和变化，并采用简单的故障切换技术，如默认输出，以在出现问题时使系统能够启动并运行。然而，这些模式的一般作用并未得到广泛认可。这主要是由于将ML作为完整软件系统的一部分尚处于初级阶段：该领域仍然缺乏除训练之外的成熟框架和实践，用于实现、操作和维护利用ML的软件。ML软件工程需要在所有方面进一步分析和发展。

维护数据库：用于竞争优势的商业智能工具

本文探讨了客户驱动的营销信息作为企业关键资源的重要性。通过收集顾客过去的购买或咨询信息，企业能够围绕顾客当前的需求调整营销策略。零售营销成功的关键在于保持灵活性，适应顾客当前的需求。理解顾客需求的企业将能最好地满足他们。为了企业的持续增长，竞争优势必须是可持续的。数据库管理系统帮助商业智能专家组织、收集数据，并构建有效的预测模型。作者通过介绍有效管理数据的观点、知识和技巧来强化这一观点。在开发和部署分析模型环境时，管理大量数据带来了许多挑战。数据库分析使企业更具响应性，显著降低数据分析成本。商业智能的基本原则是通过分析过去和将相关消费者群体组合在一起来预测未来。作者使用了许多例子来定义数据库管理的需求和模式，以建立公司的竞争优势。