学习行动：一种推荐最佳后续活动的强化学习方法

流程数据可用性的提升近来催生了数据驱动学习方法的发展。然而，这类方法大多将所学习模型的使用局限于预测正在进行的流程执行的未来。本文的目标是向前推进一步，利用可用数据来“学习行动”，通过基于最优策略（性能指标度量）的推荐来辅助用户。我们从一个流程参与者的优化视角出发，针对复杂外部环境中发生的事件（对外生因素无控制能力）推荐接下来执行的最佳活动。为此，我们研究了一种通过强化学习从过往执行观察中学习最优策略，并推荐为优化相关关键绩效指标（KPI）而应执行的后续活动的方法。该方法的的有效性在来自真实数据的两个场景中得到了验证。