流程挖掘是数据挖掘在工作流管理领域的一种较新的应用。工作流挖掘的初衷是通过对工作流运行产生的日志进行分析，重现业务流程的真实过程，利用这些知识对工作流进行分析和优化等。

流程挖掘也叫工作流挖掘，是一种从工作流日志中提取有用信息的一种技术。例如，从ERP系统的工作流日志中寻找工作流模型，组织模型, 然后作分析，找出流程中的问题。目前工作流挖掘根据挖掘角度可以分为工作流模型挖掘、工作流组织结构挖掘、以及工作流工作分配等。

流程挖掘（Process Mining），英文缩写为PM，也叫工作流程挖掘，流程挖掘之父Wil van der Aalst将流程挖掘定义为是从现有事件日志中挖掘知识以发现、监控和改进实际流程的技术。流程挖掘是一种从工作流日志中提取有用信息的一种技术。例如，从ERP系统的工作流日志中寻找工作流模型，组织模型, 然后作分析，找出流程中的问题。流程挖掘旨在构建起传统的模型驱动方法（如业务流程建模和模型正确性验证）和新型的数据驱动方法（如数据挖掘和机器学习）之间的桥梁。

流程挖掘（ Process Mining ）是一门横跨了数据挖掘、机器学习、业务流程管理多学科领域的新兴学科——通过定向采集、清洗企业各个 IT 系统中存储的信息日志，可视化的还原了企业实际发生的业务流，在数字化转型的当下，帮助企业用上帝视角从偏离标准流程的流程变体中发现漏洞、缺陷和瓶颈等问题点，并进行持续监测，进而引导企业找出改进方向。

流程挖掘的基本思想

流程挖掘的基本思想是利用企业信息系统中存储的包含业务执行信息的日志，挖掘出业务活动间不同维度的流程知识，以建立能够反映企业真实业务流程执行过程的模型，并以此为基础，对原有的业务流程进行诊断和优化。

流程发现（Process Discovery）：通过事件日志（Event Logs）构建流程模型，不需要任何先验知识（Prior knowledge）即可反应真实的流程运行情况。同时，通过对每个流程节点用时的还原，发现流程运行中的瓶颈(Bottlenecks)。

一致性检验：（Conformance Checking）可以将现有的流程模型与来自该流程的事件日志作比较，一般被用来检验现实的流程是否与流程模型一致。

流程优化：（Process Enhancement）可以借助实际流程记录的事件日志中得到的知识和信息来扩展或改进现有流程。

预测性监控：对流程未来执行情况的预测，以便于风险的提前掌握、早期预备和有效防范。最早并不是传统流程挖掘的范畴，在加入机器学习、深度学习后，逐渐成为流程挖掘领域的一个新的研究热点。

流程挖掘的价值在于其可以检测出任何异常环节，它不仅可以发现问题出在哪里，还可以了解问题发生的原因。甚至可以持续追踪这个问题以免它影响流程中别的环节以及预防问题再次发生。

流程挖掘项目的初始点是企业数据库中记录的各类业务数据。

第一步：针对数据的ETL。

E是extraction(抽取)，T是transformation(转换)，L是 loading(加载)。就是把数据先提取再做清洗转换，最后导入到流程挖掘的平台里。

第二步： visualization(可视化)。

把数据转换成用户能读懂的流程图和各种报表来对应业务相关的基本KPI，实现流程数据的可视化。

第三步：做洞察。

包括合规性检查、瓶颈检查、根因分析等，本质上是诊断流程执行中存在的问题。

第四步：根据这些分析和洞察，发现流程的堵点和瓶颈，并给出业务优化和重塑的建议。

整个过程迭代进行。

2021年，上海望繁信科技有限公司推出中文界面的流程挖掘工具“数字足迹”。

2021年，凡得流程围绕企业业务为中心，依托流程挖掘算法，通过流程可视化及流程分析，助力企业决策及数字化转型，搭建了 VIA （ Visualization - Insight - Action ）架构，适配多个 OA 、 EPR 及主流数据业务系统的流程挖掘平台 ProcessX。

目前比较著名的学术化工作流挖掘工具有荷兰埃因霍温技术大学的PROM。而比较著名的商业化工作流挖掘工具有芬兰上市公司QPR Software的QPR ProcessAnalyzer。