预测性流程监控结果的可解释性：你能看出我的数据问题吗？

预测性业务流程监控（PPM）作为流程挖掘的一个用例已存在数年。PPM 通过预测有关运行流程实例如何结束、相关性能指标及其他可预测方面的信息，得以预见业务流程的未来。大部分 PPM 方法采用机器学习（ML）技术处理预测任务，尤其是非流程感知的 PPM 方法。因此，PPM 继承了 ML 方法面临的挑战。其中一项挑战涉及需要获得用户对生成预测的信任。可解释人工智能（XAI）领域致力于解决此问题。然而，PPM 任务中所作选择及所用技术，加之 ML 模型特性，会影响所得解释。目前缺乏不同设置对生成解释影响的比较。为填补此空白，我们研究不同 PPM 设置对送入 ML 模型并进而送入 XAI 方法的结果数据之影响。我们研究所得解释的差异如何指示底层数据中的若干 issue。我们构建了一个实验框架，在 PPM 各阶段包含不同设置并将 XAI 作为基本部分集成。我们的实验揭示了数据特征（及其关于这些数据的预期）、ML 模型经查询所用的重要数据，以及所研究 ML 模型预测解释之间的若干不一致与一致之处。