process-mining

latest

false

发行说明
- 2026
  - 2026 年 2 月
- 2025
  - 2025 年 12 月
  - 2025 年 11 月
  - 2025 年 10 月
  - 2025 年 9 月
  - 2025 年 8 月
  - 2025 年 7 月
  - 2025 年 6 月
  - 2025 年 5 月
  - 2025 年 4 月
  - 2025 年 3 月
  - 2025 年 2 月
  - 2025 年 1 月
- 2024
  - 2024 年 11 月
  - 2024 年 10 月
  - 2024 年 9 月
  - 2024 年 8 月
  - 2024 年 7 月
  - 2024 年 6 月
  - 2024 年 5 月
  - 2024 年 4 月
管理访问权限
- 访问 Automation CloudTM 公共部门
- 在 Automation CloudTM 公共部门中启用服务
  - 统一定价许可
  - Flex 许可
- 设置用户
- 管理流程应用程序的访问权限
- 数据容量
在开始之前
- 系统要求
- Process Mining 功能可用性
入门指南
- Process Mining 简介
- Process Mining
- 架构概述
- Process Mining 门户
  - 流程应用程序选项卡
  - “开发”选项卡
集成
- Setting up Automation integration
使用流程应用程序
- 使用仪表板和图表
- 使用流程图
- 使用发现流程模型和导入 BPMN 模型
- Showing or hiding the menu
- 上下文信息
- 导出
- 筛选条件
- 将自动化概念发送到 UiPath™ Automation Hub
- 标签
- 到期日期
- 比较
- 一致性检查
- 流程模拟
- 根本原因分析
- 模拟自动化潜力
- 从 Process Mining 启动 Task Mining 项目
- Triggering an automation from a process app
- 查看流程数据
- Process Insights（预览）
创建应用程序
- 应用程序模板
- 新建应用程序向导
  - Creating a new app
  - Selecting the app template
  - 定义应用程序属性
  - 选择数据源
  - 映射输入表
  - 映射输入字段
  - 完成应用程序创建
- 克隆应用程序
- 导出和导入流程应用程序
- 编辑仪表板
- 管理应用程序权限
- 删除应用程序
正在加载数据
- 上传数据
- 检索 Azure Blob 存储的凭据
- Loading data using CData Sync
  - 安装 CData Sync
  - 创建源连接
  - 创建目标连接
  - 创建作业
  - 运行作业
  - 数据假名化
  - Loading data from multiple source systems
  - Incremental extraction
  - CData 同步故障排除
- Loading data using Theobald Xtract Universal
  - 设置 Theobald Xtract Universal
  - 导入模板提取
  - 配置源
  - 配置提取脚本
  - 设置 DataUploader
  - Incremental extraction
  - 运行提取脚本
  - 故障排除
- 使用 DataUploader 加载数据
  - 正在运行数据上传器
- Incremental extraction
- 管理文件存储
- 查看日志
- 优化应用程序
- 计划数据运行
Transforming data
- 数据转换编辑器
  - 添加字段
  - 添加表格
  - Designing an event log
  - 在数据转换中使用 LLM 函数
- Input data
  - 添加输入表
  - 删除输入表
  - 管理输入数据
  - 管理文件存储
- Editing data transformations
  - Structure of transformations
  - Tips for writing SQL
  - 导出和导入转换
  - 查看数据运行日志
  - 合并事件日志
  - 配置标签
  - 配置截止日期
  - 为自动化潜力配置字段
  - 活动配置：定义活动顺序
  - 在仪表板中提供转换
- 数据模型
- 添加和编辑流程
自定义仪表板
- 仪表板简介
- 使用仪表板编辑器
  - 上传开发数据集
- 创建仪表板
- 仪表板
- 图表
  - 条形图
  - 堆积条形图
  - 分布图
  - 表格图表
  - 透视表图表
  - 折线图
  - 流程图
  - KPI 趋势列表
  - KPI 值列表
  - 饼图
  - 圆环图
- 编辑应用程序设置
  - 为流程应用程序设置数据限制
- 管理偏差
- Data manager
  - 表格
  - 字段和指标
    - 创建字段和指标
    - 编辑字段和指标
    - 隐藏和显示字段
    - 上下文指标
    - 指标阈值
    - 删除字段
    - Deleting metrics
    - 复制指标和字段
  - Expressions
    - 引用字段
    - 常量
    - 算术
    - 聚合
    - 比较
    - 逻辑
    - 文本
- 自动化管理器
- 流程模型
  - Process Mining 类型
发布流程应用程序
- 发布流程应用程序
应用程序模板
- 事件日志和自定义流程应用程序模板
  - 菜单和仪表板
    - 概述
    - 端到端
    - 事件分析
  - KPI
  - 事件日志输入字段
  - 自定义流程输入字段
  - 为事件日志或自定义流程配置 CData Sync
- 采购到付款应用程序模板
  - 采购到付款流程
  - 菜单和仪表板
    - 摘要
    - End to end process
    - 事件分析
    - 供应商绩效
    - 特立独行的购买
    - 标签详情
  - KPI
  - Purchase-to-Pay input fields
  - 为采购到付款配置 CData 同步
- 购买到付款 SAP 应用程序模板
  - 菜单和仪表板
    - 摘要
    - 流程概述
    - 流程速度
    - 供应商绩效
    - 特立独行的购买
    - 付款与折扣
    - 会计质量控制
    - 标签概述
  - KPI
  - 采购到付款 - SAP 输入字段
- Order-to-Cash app template
  - Order-to-Cash process
  - 菜单和仪表板
    - 摘要
    - 端到端流程
    - 事件分析
    - 客户
  - KPI
  - Order-to-Cash input fields
  - 为订单到收款配置 CData Sync
- 自动化日志监控
  - 仪表板和 KPI
通知
- 我的通知
其他资源
- 开箱即用标签和截止日期
- 发现流程模型
- 转换
  - 自定义吞吐量时间指标
  - SQL differences between Snowflake and SQL Server
- 扩展 SAP Ariba 提取工具
- 性能特征
- Basic troubleshooting guide
  - Process Mining 服务不可见
  - 数据转换
  - 上传数据
  - CData 同步
  - 集成的提取程序
  - 流程优化

重要 :

请注意，此内容已使用机器翻译进行了部分本地化。新发布内容的本地化可能需要 1-2 周的时间才能完成。

Process Mining

适用平台：

上次更新日期 2026年2月18日

在数据转换中使用 LLM 函数

备注：

查看有关Snowflake AI 和 ML的 Snowflake 官方文档，大致了解 Snowflake 的人工智能和机器学习功能。

只有在函数调用中传递的显式数据才会发送到 LLM。

数据不会离开Snowflake 环境。
数据不会在无法处理的情况下保留，也不会用于训练。
Snowflake 合同和架构的设计初衷是满足企业数据监管标准。

简介

LLM 函数可用于将非结构化文本处理为分类输出，以在仪表板中进行汇总分析。使用 LLM 函数无需 SQL 中的复杂正则表达式，从而可以更轻松地根据新数据配置和调整转换。

有关使用 LLM 函数的更多信息，请参阅Cortex AISQL 上的官方 Snowflake 文档（包括 LLM 函数）。

警告：在 SQL 中使用 LLM 函数可能会显着影响转换时间。例如，对 100 万个记录应用分类函数可能会将处理时间增加至少半个小时。

数据转换中 LLM 函数的用例示例如下：

用于数据分类的AI_CLASSIFY函数。有关更多信息，请参阅有关AI_CLASSIFY的官方 Snowflake 文档。
ENTITY_SENTIMENT函数，以进行情感分析。有关更多信息，请参阅有关ENTITY_SENTIment的官方 Snowflake 文档。

注意：如果您超过 LLM 使用量的合理使用限制，UiPath™ 不会立即施加任何限制，因此客户可以继续不间断地操作。对此产品或商业产品的任何更改我们将提前传达，以提供流畅的体验。

分类

本节介绍如何在 Process Mining 上下文中使用AI_CLASSIFY函数，包括示例。

示例：简要流程分析

流程可以由许多不同的活动组成，其中一些活动可能非常相似，因此可以映射到更高级别的类别。此类映射可减少流程变体的数量，并可在更抽象的级别进行分析。

例如，在“采购到付款”流程中，批准事件可以发生在不同的级别，例如“批准采购申请”、“批准 1 级订单”、“经理批准”等。其中每个活动都可以映射到通用的“批准”活动。

另一个例子是“更改”事件，例如“更改价格”、“更改交货日期”或“更改供应商”。将这些活动映射到单个“更改”活动可减少流程中的路径数量，并简化流程图视图。

以下代码块显示了一个 SQL 示例，说明如何应用AI_CLASSIFY函数来定义高级流程。

select
    {{ pm_utils.id() }} as "Event_ID",
    Purchase_order_item_event_log."Purchase_order_item_ID",
    Purchase_order_item_event_log."Event_end",
    coalesce(
        to_varchar(
            AI_CLASSIFY(
                Purchase_order_item_event_log."Activity",
                ['Create', 'Change', 'Approve', 'Complete', 'Cancel']):labels[0]), 
        'Not mapped') as "High_level_activity"
from {{ ref('Purchase_order_item_event_log') }} as Purchase_order_item_event_logselect
    {{ pm_utils.id() }} as "Event_ID",
    Purchase_order_item_event_log."Purchase_order_item_ID",
    Purchase_order_item_event_log."Event_end",
    coalesce(
        to_varchar(
            AI_CLASSIFY(
                Purchase_order_item_event_log."Activity",
                ['Create', 'Change', 'Approve', 'Complete', 'Cancel']):labels[0]), 
        'Not mapped') as "High_level_activity"
from {{ ref('Purchase_order_item_event_log') }} as Purchase_order_item_event_log

提供事件表中的原始“活动”列作为此函数的第一个参数。第二个参数应该是活动将映射到的高级活动列表。在此示例中，活动将映射到“创建”、“更改”、“批准”、“完成”或“取消”。

实施高级流程分析的步骤：

在项目中创建一个单独的 SQL 文件，例如High_level_events.sql ，然后向其中添加高级流程 SQL 逻辑。
将High_level_events添加到数据模型并配置关系。在此示例中，高级事件基于Purchase_order_item_ID连接到采购订单项目表。
添加一个其他流程，其中采购订单项目作为主要对象，高级事件作为此流程的事件。
将更改应用于仪表板时，您可以基于高级流程创建流程图和其他仪表板。

下图显示了一个示例。

备注：

AI_CLASSIFY函数以{ “labels”: [“Create”] }格式返回值。:labels检索值”Create” ，而to_varchar()函数删除两边的引号。
当所有类别都不完全匹配时， AI_CLASSIFY函数生成的值仍保持为null 。要防止从数据集中排除这些记录，请将null值映射到常量（例如"Unmapped" ），以指示这些活动未分类。

示例：对客户请求类型进行分类

客户请求是非结构化数据的典型示例。每种类型的请求都需要不同的下一个操作。要在仪表板中更有效地分析不同的请求类型，您可以使用 LLM 对其进行分类，而无需用户手动干预。

以下代码块显示了一个 SQL 示例，说明了如何将请求分类为“反馈”、“问题”或“投诉”。

select
    Requests_input."Request_ID"
    Requests_input."Request",
    to_varchar(
        AI_CLASSIFY(
            Requests_input."Request",
            ['Feedback', 'Question', 'Complain']):labels[0])
    as "Request_classified"
from {{ ref('Requests_input') }} as Requests_inputselect
    Requests_input."Request_ID"
    Requests_input."Request",
    to_varchar(
        AI_CLASSIFY(
            Requests_input."Request",
            ['Feedback', 'Question', 'Complain']):labels[0])
    as "Request_classified"
from {{ ref('Requests_input') }} as Requests_input

提示：对每条记录的值进行分类可能会影响提取性能。要优化处理时间，请考虑筛选应用了AI_CLASSIFY函数的表格，以仅包含与分析相关的记录。

您可以将分类的请求类型添加到应用程序和仪表板中，以启用更多汇总分析。与直接使用原始请求文本相比，这可提供更深入的见解，原始请求文本通常对于每条记录都是唯一的，并且可能会导致生成大量不同的值。

下图显示了一个分类示例。

情感分析

本节介绍如何在 Process Mining 上下文中使用ENTITY_SENTIMENT和SENTIMENT函数，包括示例。

您可以对非结构化文本应用情感分析，以对内容是正面还是负面进行分类。例如，这种类型的分析可用于：

分析反馈以改进产品或服务。
跟踪一段时间内的情感趋势，以进行决策。

有两类情感分析函数可用。

对分类结果使用ENTITY_SENTIMENT函数（例如，“正面”、“负面”、“中性”、“混合性”或“未知”）。默认情况下，系统会分析输入的文本整体情感。输出以以下格式返回：
```
{ "类别": [ { "name": "overall", "sentiment": "积极" } ] }
```
对于数值结果（例如，量表上的情感分数），请使用SENTIMENT函数。SENTIMENT函数返回一个 -1 到 1 之间的值，表示输入文本中消极或积极的程度。您可以在仪表板指标中使用这些数字情感值来分析不同聚合级别的情感。

有关更多信息，请参阅有关ENTITY_SENTIment的官方 Snowflake 文档。

示例：情感分析用户反馈

以下代码块显示了有关使用情感分析获取用户反馈的 SQL 示例。

select
    Feedback_input."Feedback_ID",
    Feedback_input."Feedback",
    to_varchar(
        SNOWFLAKE.CORTEX.ENTITY_SENTIMENT(
            Feedback_input."Feedback"):categories[0]:sentiment)
    as "Sentiment_category",
    SNOWFLAKE.CORTEX.SENTIMENT(
        Feedback_input."Feedback")
    as "Sentiment_value"
from {{ ref('Feedback_input') }} as Feedback_inputselect
    Feedback_input."Feedback_ID",
    Feedback_input."Feedback",
    to_varchar(
        SNOWFLAKE.CORTEX.ENTITY_SENTIMENT(
            Feedback_input."Feedback"):categories[0]:sentiment)
    as "Sentiment_category",
    SNOWFLAKE.CORTEX.SENTIMENT(
        Feedback_input."Feedback")
    as "Sentiment_value"
from {{ ref('Feedback_input') }} as Feedback_input

默认情况下，仅确定整体情感。如果要指定要获取其情感的特定主题（例如“价格”或“支持”），则可以将类别作为第二个参数添加到ENTITY_SENTIMENT函数。输出将是每个指定类别的情感值。

要提取正确的值，您必须调整 SQL 逻辑。不要引用category[0] （它仅选择第一个类别），而是修改查询以选择感兴趣的特定类别的情感值。

下图显示了用户反馈情感分析的示例结果。

在此页面上

简介
分类
示例：简要流程分析
示例：对客户请求类型进行分类
情感分析
示例：情感分析用户反馈

此页面有帮助吗？

前一个Designing an event log

下一个Input data