Thesis: Causal process mining for temporal deviations in event flows
| datacite.subject.fos | Engineering and technology | |
| dc.contributor.correferente | Munoz-Gama, Jorge | |
| dc.contributor.correferente | Araya L., Mauricio | |
| dc.contributor.department | Dirección de Postgrado y Programas | |
| dc.contributor.guia | Ñanculef Alegria, Juan Ricardo | |
| dc.contributor.guia | Astudillo Rojas, Hernan | |
| dc.coverage.spatial | Campus Casa Central Valparaíso | |
| dc.creator | Montoya Cáceres, Fernando | |
| dc.date.accessioned | 2026-03-25T18:07:45Z | |
| dc.date.available | 2026-03-25T18:07:45Z | |
| dc.date.issued | 2026 | |
| dc.description.abstract | In the management of modern business processes, characterized by dynamism and competitiveness, temporal deviations constitute a critical challenge for operational efficiency. Although current analytical tools enable descriptive monitoring, they lack the ability to identify, interpret, and explain the causal relationships underlying such inefficiencies, limiting effective decision-making during the planning and execution phases. This research bridges the existing gap in the analysis of temporal deviations through the development of a methodology that integrates Process Mining with Causal Inference and Discovery. The proposed approach not only detects anomalies but also provides the system with interpretability and explainability regarding their root causes. This makes it possible to optimize role dynamics and enables monitoring based on structural causal relationships, offering a superior understanding of the process compared to traditional metrics. The methodology was validated through a rigorous dual approach: first, using synthetic data from the scientific community for controlled testing; and subsequently, through an in-field implementation within a real business environment. This procedure demonstrated both the theoretical soundness of the model and its practical applicability for causal analysis in industry. As applied research, this work consolidates a comprehensive approach that combines causal intelligence with process management to govern temporal deviations. The main contribution is a framework that facilitates early decision-making grounded in causal reasoning, enabling the evaluation of targeted actions and the ex-ante estimation of their impact on process improvement, covering the full cycle from planning to execution. | en_US |
| dc.description.abstract | En la gestión de procesos empresariales modernos, caracterizados por su dinamismo y competitividad, las desviaciones temporales constituyen un desafío crítico para la eficiencia operativa. Si bien las herramientas analíticas actuales permiten el monitoreo descriptivo, estas carecen de la capacidad para identificar, interpretar y explicar las relaciones causales subyacentes a dichas ineficiencias, limitando la toma de decisiones efectivas durante las fases de planificación y ejecución. Esta investigación supera la brecha existente en el análisis de desviaciones temporales mediante el desarrollo de una metodología que integra la Minería de Procesos con la Inferencia y el Descubrimiento Causal. El enfoque desarrollado no solo detecta las anomalías, sino que dota al sistema de interpretabilidad y explicabilidad sobre sus causas raíz. Esto permite optimizar la dinámica de roles y habilita un monitoreo basado en relaciones causales estructurales, proporcionando una comprensión del proceso superior a la ofrecida por las métricas tradicionales. La metodología se validó mediante un enfoque dual riguroso: en primera instancia, utilizando datos sintéticos de la comunidad científica para pruebas controladas; y, posteriormente, a través de una implementación en campo dentro de un entorno empresarial real. Este procedimiento demostró tanto la solidez teórica del modelo como su aplicabilidad práctica para el análisis causal en la industria. Como investigación aplicada, este trabajo consolida un enfoque integral que reúne la inteligencia causal y la gestión de procesos para gobernar las desviaciones temporales. La principal contribución es un marco que facilita la toma temprana de decisiones basada en el razonamiento causal, permitiendo evaluar acciones focalizadas y estimar de antemano su impacto en la mejora de los procesos, abarcando todo el ciclo, desde la planificación hasta la ejecución. | es |
| dc.description.degree | Doctorado en Ingeniería Aplicada | |
| dc.driver | info:eu-repo/semantics/doctoralThesis | |
| dc.format.extent | 133 páginas | |
| dc.identifier.barcode | DR_FM_2026 | |
| dc.identifier.doi | 10.71959/j49v-t637 | |
| dc.identifier.uri | https://cris.usm.cl/handle/123456789/4343 | |
| dc.identifier.uri | https://doi.org/10.71959/j49v-t637 | |
| dc.language.iso | en | |
| dc.publisher | Universidad Técnica Federico Santa María | |
| dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.subject | Causal process mining | |
| dc.subject | Temporal deviations | |
| dc.subject | Causal discovery & inference | |
| dc.subject | Counterfactual explainability | |
| dc.subject | Organizational mining | |
| dc.subject.ods | 9 Industria, innovación e infraestructura | |
| dc.subject.ods | 12 Producción y consumo responsables | |
| dc.title | Causal process mining for temporal deviations in event flows | |
| dc.type.driver | info:eu-repo/semantics/doctoralThesis | |
| dspace.entity.type | Tesis |
Política de Privacidad 
