data. Consider, for example, a full

data. Consider, for example, a full SAP implementation that typically has more than 10,000 tables. Data may be scattered due to technical or organizational reasons. For example, there may be legacy systems holding crucial data or information systems used only at the departmental level. For cross-organizational process mining, e.g., to analyze supply chains, data may even be scattered over multiple organizations. Events can also be captured by tapping of message exchanges [107] (e.g., SOAP messages) and recording read and write actions [36]. Data sources may be structured and well-described by meta data. Unfortunately, in many situations, the data is unstructured or important meta data is missing. Data may originate from web pages,emails, PDF documents, scanned text, screen scraping, etc. Even if data is structured and described by meta data, the sheer complexity of enterprise information systems may be overwhelming, There is no point in trying to exhaustively extract event logs from thousands of tables and other data sources. Data extraction should be driven by questions rather than the availability of lots of data.

ผลลัพธ์ (ไทย) 1:

ข้อมูล พิจารณา เช่น SAP ดำเนินการเต็มที่โดยทั่วไปมีมากกว่า 10000 ตาราง ข้อมูลอาจจะกระจัดกระจายเนื่องจากเหตุผลทางเทคนิค หรือองค์กร ตัวอย่าง อาจมีระบบเก่าที่เก็บข้อมูลหรือระบบข้อมูลที่ใช้เฉพาะในระดับแผนก สำหรับกระบวนการข้ามองค์กรเหมือง เช่น การวิเคราะห์ห่วงโซ่อุปทาน ข้อมูลอาจแม้จะกระจายหลายองค์กร เหตุการณ์สามารถบันทึก โดยเคาะข้อแลกเปลี่ยน [107] (เช่น สบู่ข้อ) และบันทึกการอ่าน และเขียนการดำเนินการ [36] แหล่งข้อมูลอาจมีโครงสร้าง และอธิบายอย่างดี โดยข้อมูลเมตา อับ ในหลายสถานการณ์ ข้อมูลจะไม่มีโครงสร้าง หรือข้อมูล meta สำคัญหายไป ข้อมูลอาจมาจากหน้าเว็บ อีเมล์ เอกสาร PDF สแกน จอ scraping ฯลฯ แม้ว่าข้อมูลที่จะจัดโครงสร้าง และอธิบายข้อมูลเมตา เลี่ยงความซับซ้อนของระบบสารสนเทศองค์กรอาจครอบงำ มีจุดในการพยายามลมแยกบันทึกเหตุการณ์จากตารางและแหล่งข้อมูลอื่น ๆ ดึงข้อมูลควรถูกผลักดัน ด้วยคำถามแทนที่เป็นความพร้อมของแหล่งข้อมูล

ผลลัพธ์ (ไทย) 2:

ข้อมูล พิจารณาตัวอย่างเช่นการดำเนินงานของ SAP เต็มรูปแบบที่มักจะมีมากกว่า 10,000 ตาราง ข้อมูลอาจจะกระจัดกระจายเนื่องจากเหตุผลทางเทคนิคหรือองค์กร ตัวอย่างเช่นอาจจะมีระบบเดิมถือข้อมูลสำคัญหรือระบบข้อมูลที่ใช้เฉพาะในระดับแผนก สำหรับการทำเหมืองกระบวนการข้ามองค์กรเช่นการวิเคราะห์ห่วงโซ่อุปทานข้อมูลอาจแม้จะกระจายไปทั่วหลายองค์กร เหตุการณ์ที่เกิดขึ้นนอกจากนี้ยังสามารถจับภาพโดยการแตะที่ข้อความของการแลกเปลี่ยน [107] (เช่นข้อความ SOAP) และการบันทึกการอ่านและเขียนการกระทำ [36] แหล่งที่มาของข้อมูลอาจจะมีโครงสร้างที่ดีและอธิบายโดยข้อมูล meta แต่น่าเสียดายที่ในหลาย ๆ สถานการณ์ข้อมูลที่ไม่มีโครงสร้างที่สำคัญหรือข้อมูล meta จะหายไป ข้อมูลอาจมาจากหน้าเว็บ, อีเมล, เอกสาร PDF, ข้อความที่สแกนหน้าจอขูด ฯลฯ แม้ว่าข้อมูลที่มีโครงสร้างและการอธิบายโดยข้อมูล meta ความซับซ้อนที่แท้จริงของระบบสารสนเทศขององค์กรอาจจะครอบงำมีจุดในการพยายามที่จะเป็นอย่างละเอียดถี่ถ้วน สารสกัดจากบันทึกเหตุการณ์จากหลายพันตารางและแหล่งข้อมูลอื่น ๆ การสกัดข้อมูลจะถูกผลักดันโดยคำถามมากกว่าความพร้อมของข้อมูลจำนวนมาก

ผลลัพธ์ (ไทย) 3:

ข้อมูล พิจารณาตัวอย่างเช่น SAP ใช้เต็มที่มักจะมีมากกว่า 10 , 000 ตาราง ข้อมูลอาจจะกระจัดกระจายไปเนื่องจากเหตุผลทางเทคนิคหรือองค์การ ตัวอย่างเช่นอาจจะมีระบบเก่าถือข้อมูลที่สําคัญข้อมูล หรือระบบที่ใช้เฉพาะในระดับแผนก เพื่อข้ามขั้นตอนขององค์การเหมืองแร่ เช่น วิเคราะห์ โซ่ อุปทานข้อมูลอาจจะกระจายไปทั่วองค์กรหลาย เหตุการณ์ยังสามารถบันทึกโดยการแตะข้อความแลกเปลี่ยน [ 107 ] ( เช่นข้อความ , สบู่ ) และการบันทึกการอ่านและเขียนการกระทำ [ 36 ] แหล่งข้อมูลอาจจะมีโครงสร้างและอธิบาย meta ข้อมูล แต่น่าเสียดายที่ในหลายกรณี ข้อมูลที่ไม่มีโครงสร้างหรือ meta ข้อมูลสำคัญที่ขาดหายไป ข้อมูลอาจจะมาจากหน้าเว็บ , อีเมล ,เอกสาร PDF , สแกนข้อความ , ขูดหน้าจอ ฯลฯ ถ้าเป็นข้อมูลแบบโครงสร้างและอธิบายโดยข้อมูล meta , ความซับซ้อนที่แท้จริงขององค์กรระบบสารสนเทศอาจยุ่งยาก มีจุดในการพยายามที่จะทำสารสกัดจากบันทึกเหตุการณ์จากนับพันของตารางและแหล่งข้อมูลอื่น ๆ การสกัดข้อมูลควรได้รับการขับเคลื่อนโดยคำถามมากกว่าความพร้อมของจำนวนมากของข้อมูล